План на курса

Основи на Machine Learning

  • Въведение в Machine Learning концепции и работни процеси
  • Контролирано срещу неконтролирано обучение
  • Оценяване на модели за машинно обучение: показатели и техники

Байесови методи

  • Наивен Бейс и многочленни модели
  • Байесов категоричен анализ на данни
  • Байесови графични модели

Техники на регресия

  • Линейна регресия
  • Логистична регресия
  • Обобщени линейни модели (GLM)
  • Смесени модели и адитивни модели

Намаляване на размерността

  • Анализ на главните компоненти (PCA)
  • Факторен анализ (FA)
  • Независим компонентен анализ (ICA)

Методи за класификация

  • K-най-близки съседи (KNN)
  • Поддържайте векторни машини (SVM) за регресия и класификация
  • Подсилващи и ансамблови модели

Neural Networks

  • Въведение в невронните мрежи
  • Приложения на задълбочено обучение в класификация и регресия
  • Обучение и настройка на невронни мрежи

Разширени алгоритми и модели

  • Скрити модели на Марков (HMM)
  • Модели на държавното пространство
  • ЕМ алгоритъм

Техники за групиране

  • Въведение в групирането и обучението без надзор
  • Популярни алгоритми за групиране: K-Means, Йерархично групиране
  • Случаи на използване и практически приложения на клъстерирането

Обобщение и следващи стъпки

Изисквания

  • Основно разбиране на статистиката и анализа на данни
  • Programming опит в R, Python или други подходящи езици за програмиране

Публика

  • Учени по данни
  • Статистици
 14 Часа

Брой участници


Цена за участник

Oтзиви от потребители (5)

Предстоящи Курсове

Свързани Kатегории