Návrh Školení

    Úvod do strojového učení Typy strojového učení – pod dohledem vs. učení bez dozoru Od statistického učení ke strojovému učení Pracovní postup dolování dat: Obchodní porozumění Porozumění dat Příprava dat Modelování Vyhodnocení Nasazení Algoritmy strojového učení Volba vhodného algoritmu k problému Přepastování a kompromis odchylek-variance v ML ML knihovny a programovací jazyky Proč používat programovací jazyk Volba mezi R a Python Rychlý kurz Pythonu Zdroje Pythonu Knihovny Pythonu pro strojové učení Notebooky Jupyter a interaktivní kódování Testování algoritmů ML Zobecnění a overfitting Zamezení přepínání Metoda Holdout Křížová validace Bootstrapping Hodnocení numerické přesnosti: Předpovědi ME, MSE, RMSE, MAPE Stabilita parametrů a predikce Vyhodnocování klasifikačních algoritmů Přesnost a její problémy Matice zmatků Problém s nevyváženými třídami Vizualizace výkonnosti modelu Křivka zisku ROC křivka Liftová křivka Výběr modelu Ladění modelu – strategie vyhledávání v mřížce Příklady v Pythonu Příprava dat Import a ukládání dat Pochopte data – základní průzkumy Manipulace s daty s knihovnou pand Transformace dat – Data wrangling Průzkumná analýza Chybějící pozorování – detekce a řešení Odlehlé hodnoty – detekce a strategie Standardizace, normalizace, binarizace Kvalitativní překódování dat Příklady v Pythonu Klasifikace Binární vs multitřídní klasifikace Klasifikace pomocí matematických funkcí Lineární diskriminační funkce Kvadratické diskriminační funkce Logistická regrese a pravděpodobnostní přístup k-nejbližším sousedům Naivní Bayes Rozhodovací stromy CART Bagging Random Forests Posílení Xgboost Support Vector Stroje a jádra Maximální marže Klasifikátor Podpora Vector Machine Ensemble učení Příklady v Pythonu Regrese a numerická predikce Odhad nejmenších čtverců Proměnné selekční techniky Regularizace a stabilita- L1, L2 Nelinearity a zobecněné nejmenší čtverce Polynomiální regrese Regresní splajny Regresní stromy Příklady v Pythonu Učení bez dozoru Shlukování Shlukování založené na centroidech – k-průměry, k-medoidy, PAM, CLARA Hierarchické shlukování – Diana, Agnes Model- založené shlukování - EM Samoorganizující se mapy Vyhodnocení a posouzení shluků Snížení rozměrů Analýza hlavních komponent a faktorová analýza Singulární dekompozice hodnot Vícerozměrné škálování Příklady v Pythonu Textové dolování Předzpracování dat Model pytle slov Stemming a lemmizace Analýza frekvencí slov Analýza sentimentu Vytváření mraků slov Příklady v modulech doporučení Pythonu a kolaborativním filtrování Data doporučení Uživatelské filtrování založené na spolupráci Kolaborativní filtrování založené na položkách Příklady v Pythonu Asociace dolování vzorů Algoritmus častých sad položek Analýza tržního koše Příklady v Pythonu Analýza odlehlých hodnot Analýza extrémních hodnot Detekce odlehlých hodnot na základě vzdálenosti Metody založené na hustotě detekce rozměrových odlehlých hodnot Příklady v případové studii Python Machine Learning Porozumění obchodním problémům Předzpracování dat Výběr a ladění algoritmu Vyhodnocení zjištění Nasazení

 

 

Požadavky

Znalost a povědomí Machine Learning základů

 21 hodiny

Počet účastníků



Price per participant

Reference (3)

Související kurzy

Související kategorie