Cursusaanbod
Introductie
Dit deel biedt een algemene inleiding over wanneer 'machine learning' moet worden gebruikt, wat er rekening mee gehouden moet worden en wat het allemaal betekent, inclusief de voor- en nadelen. Datatypen (gestructureerd/ongestructureerd/statisch/gestreamd), datavaliditeit/volume, data-gedreven versus gebruiker-gedreven analytik, statistische modellen versus machine learning-modellen, uitdagingen van onbevoegd leren (unsupervised learning), de bias-variance trade-off, iteratie/evaluatie, cross-validation-benaderingen, supervised/unsupervised/reinforcement.
HOOFDTHEMA'S
1. Begrijpen van Naive Bayes
- Begrippen van Baiaanse methoden
- Waarschijnlijkheid
- Gezamenlijke waarschijnlijkheid
- Conditionele waarschijnlijkheid met de stelling van Bayes
- Het Naive Bayes-algoritme
- De Naive Bayes-classificatie
- De Laplace-estimator
- Gebruik van numerieke kenmerken met Naive Bayes
2. Begrijpen van Decision Trees
- Verdeel en heers (Divide and conquer)
- Het C5.0 Decision Tree-algoritme
- De keuze voor de beste split
- Pruning van de Decision Tree
3. Begrijpen van Neural Networks
- Van biologische naar kunstmatige neuronen
- Actiefuncties
- Netwerktopologie
- Het aantal lagen
- De richting van de informatieoverdracht
- Het aantal nodes per laag
- Training van neural networks met backpropagation
- Deep Learning
4. Begrijpen van Support Vector Machines
- Classificatie met hyperplannen
- Het vinden van de maximale margin
- Het geval van lineair scheibare data
- Het geval van niet-lineair scheibare data
- Gebruik van kernels voor niet-lineaire ruimtes
5. Begrijpen van Clustering
- Clustering als machine learning-taak
- Het k-means-algoritme voor clustering
- Gebruik van afstand voor het toewijzen en bijwerken van clusters
- De keuze voor het passende aantal clusters
6. Meten van prestaties voor classificatie
- Werken met classificatiepredictiedata
- Een nader blik op verwaringsmatrices
- Gebruik van verwaringsmatrices om prestaties te meten
- Naast nauwkeurigheid – andere prestatiematen
- De kappa-statistiek
- Sensitiviteit en specificiteit
- Precisie en recall
- De F-maatstaf
- Visualiseren van prestatieafwegingen
- ROC-curves
- Schatting van toekomstige prestaties
- De holdout-methode
- Cross-validation
- Bootstrap-sampling
7. Afstemmen van standaardmodellen voor betere prestaties
- Gebruik van caret voor geautomatiseerde parameterafstemming
- Creëren van een eenvoudig afgestemd model
- Personaliseren van het afstempingsproces
- Verbeteren van modelprestaties met meta-learning
- Begrijpen van ensembles
- Bagging
- Boosting
- Random forests
- Training van random forests
- Evaluatie van random forest-prestaties
NEVENHINKELS
8. Begrijpen van classificatie met nearest neighbors
- Het kNN-algoritme
- Berekenen van afstand
- Keuze van een passende k
- Voorbereiden van data voor gebruik met kNN
- Waarom is het kNN-algoritme lui?
9. Begrijpen van classificatieregels
- Scheiding en verovering (Separate and conquer)
- Het One Rule-algoritme
- Het RIPPER-algoritme
- Regels uit Decision Trees
10. Begrijpen van regressie
- Eenvoudige lineaire regressie
- Ordinary least squares-schatting
- Correlaties
- Meervoudige lineaire regressie
11. Begrijpen van regressiebomen en modelbomen
- Regressie toevoegen aan bomen
12. Begrijpen van associatieregels
- Het Apriori-algoritme voor het leren van associatieregels
- Meten van regelrelevantie – support en confidence
- Een set regels opbouwen met het Apriori-principe
Extra's
- Spark/PySpark/MLlib en Multi-armed bandits
Vereisten
Kennis van Python
Getuigenissen (7)
Ik heb de training volledig naar mijn zin gevonden en ik waardeerde het diepere inzicht in het onderwerp Machine Learning. De balans tussen theorie en praktische toepassingen was perfect, vooral de hands-on coderingsessies vond ik zeer waardevol. De trainer gaf boeiende voorbeelden en goed uitgewerkte oefeningen die de leerervaring verrijkt hebben. Het cursusprogramma behandelde een breed scala aan onderwerpen, en Abhi toonde uitstekende expertise door alle vragen met duidelijkheid en gemak te beantwoorden.
Valentina
Cursus - Machine Learning
Automatisch vertaald
Ik heb de oefening gewaardeerd die me hielp om de theorie te begrijpen en stap voor stap toe te passen. Ook de manier waarop de trainer alles op een eenvoudige en duidelijke manier uitlegde, vond ik erg nuttig. Het was gemakkelijk mee te gaan, ook al heb ik niet veel ervaring met Python. Toch wilde ik geen kans mislopen om iets te leren wat me echt interesseert. Ik heb ook de variëteit aan informatie gewaardeerd en de beschikbaarheid van de trainer om ons uit te leggen en bij te staan in het begrijpen van de concepten. Na deze cursus zijn machine learning-concepten veel duidelijker voor me, en voel ik dat ik nu een richting heb en een beter begrip van het onderwerp.
Cristina
Cursus - Machine Learning
Automatisch vertaald
Aan het einde van de training kon ik de praktische toepassingen van de voorgestelde onderwerpen zien.
Daniel
Cursus - Machine Learning
Automatisch vertaald
Ik vond het tempo leuk, net als de balans tussen theorie en praktijk, de belangrijkste onderwerpen die werden behandeld en de manier waarop de trainer alles in evenwicht wist te brengen. Ik vind ook jullie traininginfrastructuur erg fijn, het is zeer praktisch om met virtuele machines te werken.
Andrei
Cursus - Machine Learning
Automatisch vertaald
Het kort en bondig houden. Intuïtie en visuele modellen creëren rond de concepten (beslissingsboomgrafiek, lineaire vergelijkingen, y_pred handmatig berekenen om te laten zien hoe het model werkt).
Nicolae - DB Global Technology
Cursus - Machine Learning
Automatisch vertaald
Het hielp me mijn doel te bereiken om ML te begrijpen. Groot respect voor Pablo die een degelijke inleiding heeft gegeven over dit onderwerp, want na drie dagen training wordt duidelijk hoe breed dit onderwerp is. Ik heb ook HEEL veel genoten van het idee van de virtuele machines die je hebt aangeboden, met zeer goede latentie! Het maakte het mogelijk dat elke deelnemer op eigen tempo experimenten kon uitvoeren.
Silviu - DB Global Technology
Cursus - Machine Learning
Automatisch vertaald
De praktische kant, het zien van de theorie die vorm krijgt in iets praktisch, is geweldig.
Lisa Fekade - Vodacom
Cursus - Machine Learning
Automatisch vertaald
