Code formation
mlfunpython
Durée
14 heures (généralement 2 jours pauses comprises)
Pré requis
Knowledge of Python programming language. Basic familiarity with statistics and linear algebra is recommended.
Aperçu
Le but de ce cours est de fournir une maîtrise de base de l’application pratique des méthodes d’ Machine Learning . À l'aide du Python programmation Python et de ses diverses bibliothèques, et basé sur une multitude d'exemples pratiques, ce cours explique comment utiliser les éléments de base les plus importants de Machine Learning , comment prendre des décisions en matière de modélisation des données, interpréter les résultats des algorithmes et valider les résultats.
Notre objectif est de vous donner les compétences nécessaires pour comprendre et utiliser en toute confiance les outils les plus fondamentaux de la boîte Machine Learning outils Machine Learning et éviter les pièges courants des applications Data Science .
Machine Translated
Plan du cours
Introduction to Applied Machine Learning
- Statistical learning vs. Machine learning
- Iteration and evaluation
- Bias-Variance trade-off
Machine Learning with Python
- Choice of libraries
- Add-on tools
Regression
- Linear regression
- Generalizations and Nonlinearity
- Exercises
Classification
- Bayesian refresher
- Naive Bayes
- Logistic regression
- K-Nearest neighbors
- Exercises
Cross-validation and Resampling
- Cross-validation approaches
- Bootstrap
- Exercises
Unsupervised Learning
- K-means clustering
- Examples
- Challenges of unsupervised learning and beyond K-means
Courses Discounts
-
2021-02-02 2021-02-03Leuven, Near Train Station
.png "european central bank (ecb)")
.png "new york stock exchange (nyse)")
_ireland.gif "environmental protection agency (epa) ireland")
.jpg "european southern observatory (eso)")
