Návrh Školení

Algoritmy strojového učení v Julia

Úvodní pojmy

    Učení pod dohledem a bez dozoru Křížová validace a výběr modelu Kompromis zkreslení/variance

Lineární a logistická regrese

(NaiveBayes & GLM)

    Úvodní pojmy Přizpůsobení lineárních regresních modelů Diagnostika modelu Naivní Bayes Přizpůsobení logistického regresního modelu Diagnostika modelu Metody výběru modelů

Vzdálenosti

    co je to vzdálenost? Euklidovský městský blok Kosinová korelace Mahalanobis Hamming MAD RMS Střední kvadratická odchylka

Redukce rozměrů

    Analýza hlavních komponent (PCA) Lineární PCA Kernel PCA Pravděpodobnostní PCA Nezávislá CA
Vícerozměrné škálování
  • Změněné regresní metody
  • Základní pojmy regularizace Ridgeova regrese Laso regrese Regrese hlavní složky (PCR)

      Shlukování

    K-means K-medoids DBSCAN Hierarchické shlukování Markovův clusterový algoritmus Fuzzy C-means clustering

      Standardní modely strojového učení

    (balíčky NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)

    Koncepty zesílení gradientu K nejbližší sousedé (KNN) Modely rozhodovacích stromů Náhodné modely lesa XGboost EvoTrees Podpora vektorové stroje (SVM)

      Umělé neuronové sítě

    (balíček Flux)

    Stochastický gradient sestup a strategie Vícevrstvé perceptrony dopředná zpětná vazba a zpětné šíření Regularizace Rekurentní neuronové sítě (RNN) Konvoluční neuronové sítě (Convnets) Autokodéry Hyperparametry

    Požadavky

    Tento kurz je určen pro lidi, kteří již mají zkušenosti s datovou vědou a statistikou.

      21 hodiny

    Počet účastníků


    Začátek

    Konec


    Dates are subject to availability and take place between 09:30 and 16:30.

    Price per participant

    Související kurzy

    Související kategorie