Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Inleiding tot toegepast Machine Learning
- Statistisch leren versus machinaal leren Iteratie en evaluatie Afweging van bias en variantie Begeleid versus onbewaakt leren Problemen opgelost met Machine Learning Train Validation Test – ML-workflow om overfitting te voorkomen Workflow van Machine Learning Machine learning-algoritmen Het kiezen van het juiste algoritme voor het probleem
Evaluatie van algoritmen
- Numerieke voorspellingen evalueren Nauwkeurigheidsmetingen: ME, MSE, RMSE, MAPE Parameter- en voorspellingsstabiliteit
Begeleide algoritmen KNN Ensemble Gradient Boosting SVM
- Algoritmen zonder toezicht. Op afstand gebaseerd
Op dichtheid gebaseerde methoden
- Probabilistische methoden
Eenvoudige deep learning-modellen bouwen met Keras
- Een Keras-model maken Uw gegevens begrijpen Uw Deep Learning-model specificeren Uw model samenstellen dat bij uw model past Werken met uw classificatiegegevens Werken met classificatiemodellen Uw modellen gebruiken
Werken met TensorFlow voor Deep Learning
- De gegevens voorbereiden De gegevens downloaden Trainingsgegevens voorbereiden Testgegevens voorbereiden Invoer schalen met tijdelijke aanduidingen en variabelen
Specificeren van de netwerkarchitectuur
- De kostenfunctie gebruiken
De optimalisatie gebruiken
- Initialisatoren gebruiken
Requirements
- Ervaring met Python programmeren
- Basiskennis van statistiek en wiskundige concepten
Publiek
- Ontwikkelaars
- Datawetenschappers
28 Hours