Course Outline
Machinaal leren
Inleiding tot Machine Learning
- Toepassingen van machinaal leren Bewaakt versus onbewaakt leren Machine learning-algoritmen Regressieclassificatie Clustering Aanbeveling Systeemafwijkingsdetectie Reinforcement Learning
Regressie
- Eenvoudige en meervoudige regressie Least Square-methode De coëfficiënten schatten De nauwkeurigheid van de coëfficiëntschattingen beoordelen De nauwkeurigheid van het model beoordelen Na schattingsanalyse Andere overwegingen in de regressiemodellen Kwalitatieve voorspellers Uitbreidingen van de lineaire modellen Potentiële problemen Afweging van bias en variantie [ondermaats] /overfitting] voor regressiemodellen
Methoden voor opnieuw bemonsteren
- Kruisvalidatie De benadering van de validatieset Leave-One-Out Kruisvalidatie k-vouw Kruisvalidatie Bias-Variance-afweging voor k-vouw De Bootstrap
Modelselectie en regularisatie
- Subsetselectie [Beste subsetselectie, stapsgewijze selectie, het optimale model kiezen] Krimpmethoden/-regularisatie [Ridge-regressie, lasso en elastisch net] De afstemmingsparameter selecteren Dimensiereductiemethoden Hoofdcomponenten Regressie Gedeeltelijke kleinste kwadraten
Classificatie
- Logistische regressie De kostenfunctie van het logistieke model Het schatten van de coëfficiënten Het maken van voorspellingen Odds Ratio Prestatie-evaluatiematrices [Gevoeligheid/Specificiteit/PPV/NPV, Precisie, ROC-curve etc.] Meervoudige logistieke regressie Logistische regressie voor >2 responsklassen Geregulariseerde logistische regressie
Feed forward ANN.
Structuren van meerlaagse feed-forward-netwerken Back-propagatie-algoritme Back-propagatie - training en convergentie Functionele benadering met back-propagatie Praktische en ontwerpkwesties van back-propagation learning
- Deep Learning
Kunstmatige intelligentie en Deep Learning Softmax-regressie Autodidactisch leren Diepe netwerken Demo's en toepassingen
- Laboratorium:
Aan de slag met R
- Inleiding tot R Basisopdrachten en bibliotheken Gegevensmanipulatie Gegevens importeren en exporteren Grafische en numerieke samenvattingen Schrijffuncties
Regressie
Eenvoudige en meervoudige lineaire regressie Interactietermen Niet-lineaire transformaties Regressie van dummyvariabelen Kruisvalidatie en de Bootstrap selectiemethoden voor subsets Strafbepaling [Ridge, Lasso, Elastic Net]
- Classificatie
Logistieke regressie, LDA, QDA en KNN, resampling en regularisatie ondersteunen resampling en regularisatie van vectormachines
- Opmerking:
Voor ML-algoritmen zullen casestudies worden gebruikt om hun toepassing, voordelen en potentiële problemen te bespreken. Analyse van verschillende datasets zal worden uitgevoerd met behulp van R
Requirements
Basiskennis van statistische concepten is wenselijk.
Getuigenissen (4)
We hadden een overzicht over Machine Learning, Neural Networks, AI met praktijkvoorbeelden.
Catalin - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Machine Translated
Laatste dag met de AI
Ovidiu - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Machine Translated
De voorbeelden die werden uitgekozen, met ons gedeeld en uitgelegd
Cristina - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics