Course Outline

  1. Προεπεξεργασία δεδομένων

    1. Data Cleaning
    2. Ενοποίηση και μετασχηματισμός δεδομένων
    3. Μείωση δεδομένων
    4. Διακριτικοποίηση και δημιουργία ιεραρχίας εννοιών
  2. Στατιστικό συμπέρασμα

    1. Κατανομές πιθανοτήτων, Τυχαίες μεταβλητές, Κεντρικό οριακό θεώρημα
    2. Δειγματοληψία
    3. Διαστήματα εμπιστοσύνης
    4. Στατιστικά Συμπεράσματα
    5. Έλεγχος υποθέσεων
  3. Πολυμεταβλητή γραμμική παλινδρόμηση

    1. Προσδιορισμός
    2. Επιλογή υποσυνόλου
    3. Εκτίμηση
    4. Νομιμοποίηση
    5. Προφητεία
  4. Μέθοδοι ταξινόμησης

    1. Λογιστική παλινδρόμηση
    2. Γραμμική διακριτική ανάλυση
    3. Κ-πλησιέστεροι γείτονες
    4. Αφελής Bayes
    5. Σύγκριση μεθόδων ταξινόμησης
  5. Neural Networks

    1. Τακτοποίηση νευρωνικών δικτύων
    2. Εκπαιδευτικά θέματα νευρωνικών δικτύων
  6. Δέντρα απόφασης

    1. Δέντρα παλινδρόμησης
    2. Ταξινόμηση δέντρων
    3. Δέντρα έναντι γραμμικών μοντέλων
  7. Bagging, Random Forests, Boosting

    1. Σακκόπανο
    2. Random Forests
    3. Ενίσχυση
  8. Υποστήριξη διανυσματικών μηχανημάτων και εύκαμπτου δίσκου

    1. Ταξινομητής Maximal Margin
    2. Υποστήριξη διανυσματικών ταξινομητών
    3. Υποστήριξη διανυσματικά μηχανήματα
    4. 2 και περισσότερες τάξεις SVM's
    5. Σχέση με λογιστική παλινδρόμηση
  9. Ανάλυση βασικών εξαρτημάτων

  10. Ομαδοποίηση

    1. K-σημαίνει ομαδοποίηση
    2. Ομαδοποίηση K-medoids
    3. Ιεραρχική ομαδοποίηση
    4. Ομαδοποίηση με βάση την πυκνότητα
  11. Αξιολόγηση και Επιλογή Μοντέλου

    1. Προκατάληψη, διακύμανση και πολυπλοκότητα μοντέλου
    2. Σφάλμα πρόβλεψης εντός δείγματος
    3. Η Μπεϋζιανή προσέγγιση
    4. Διασταυρούμενη επικύρωση
    5. Bootstrap μεθόδους
 28 Hours

Number of participants


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories