Návrh Školení
Strojové učení
Úvod do Machine Learning
- Aplikace strojového učení Supervised Versus Unsupervised Learning Algoritmy strojového učení Regresní klasifikace Clustering Recommender System Detekce anomálií Reinforcement Learning
Regrese
- Jednoduchá a vícenásobná regrese Metoda nejmenších čtverců Odhad koeficientů Posouzení přesnosti odhadů koeficientů Posouzení přesnosti modelu Postestimační analýza Další úvahy v regresních modelech Kvalitativní prediktory Rozšíření lineárních modelů Potenciální problémy Vyrovnání odchylek-variance [nedostatečné přizpůsobení /over-fitting] pro regresní modely
Metody převzorkování
- Křížová validace Přístup k validační sadě Leave-One-Out Křížová validace k-Fold Křížová validace Bias-Variance Kompromis pro k-Fold The Bootstrap
Výběr a regulace modelu
- Výběr podmnožiny [Nejlepší výběr podmnožiny, postupný výběr, výběr optimálního modelu] Metody smršťování/regularizace [Hřebenová regrese, laso a elastická síť] Výběr parametru ladění Metody redukce rozměrů Hlavní komponenty Regrese Částečné nejmenší čtverce
Klasifikace
- Logistická regrese Nákladová funkce logistického modelu Odhadování koeficientů Vytváření předpovědí Poměr šancí Matice hodnocení výkonu [Citlivost/Specificita/PPV/NPV, přesnost, ROC křivka atd.] Vícenásobná logistická regrese Logistická regrese pro >2 třídy odezvy Regularizovaná logistická regrese
Posílat vpřed ANN.
Struktury vícevrstvých dopředných sítí Algoritmus zpětného šíření Zpětné šíření - trénování a konvergence Funkční aproximace se zpětným šířením Praktické a konstrukční problémy učení zpětného šíření
- Deep Learning
Umělá inteligence a Deep Learning Softmax Regrese Samouk Učení Deep Networks Ukázky a aplikace
- Laboratoř:
Začínáme s R
- Úvod do R Základní příkazy a knihovny Manipulace s daty Import a export dat Grafické a číselné souhrny Funkce pro psaní
Regrese
Jednoduchá a vícenásobná lineární regrese Pojmy interakce Nelineární transformace Falešná regrese proměnných Křížová validace a Bootstrap Metody výběru podmnožiny Penalizace [Ridge, Lasso, Elastic Net]
- Klasifikace
Logistická regrese, LDA, QDA a KNN, podpora převzorkování a regulace Převzorkování a regulace vektorových strojů
- Poznámka:
U algoritmů ML budou případové studie použity k diskusi o jejich aplikaci, výhodách a potenciálních problémech. Analýza různých souborů dat bude provedena pomocí R
Požadavky
Základní znalost statistických pojmů je žádoucí.
Reference (4)
Měli jsme přehled o Machine Learning, Neural Networks, AI s praktickými příklady.
Catalin - DB Global Technology SRL
Kurz - Machine Learning and Deep Learning
Machine Translated
Poslední den s AI
Ovidiu - DB Global Technology SRL
Kurz - Machine Learning and Deep Learning
Machine Translated
Příklady, které jsme vybrali, sdíleli s námi a vysvětlili
Cristina - DB Global Technology SRL
Kurz - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics