Kurzusleírás

  1. Adatok előfeldolgozása

    1. Data Cleaning
    2. Adatintegráció és átalakítás
    3. Adatcsökkentés
    4. Diszkretizálás és fogalomhierarchia generálása
  2. Statisztikai következtetés

    1. Valószínűségi eloszlások, Véletlen változók, Központi határérték tétel
    2. Mintavétel
    3. Bizalmi intervallumok
    4. Statisztikai következtetés
    5. Hipotézisvizsgálat
  3. Többváltozós lineáris regresszió

    1. Specifikáció
    2. Részhalmaz kiválasztása
    3. Becslés
    4. Érvényesítés
    5. Előrejelzés
  4. Osztályozási módszerek

    1. Logisztikai regresszió
    2. Lineáris diszkriminancia analízis
    3. K-legközelebbi szomszédok
    4. Naiv Bayes
    5. Osztályozási módszerek összehasonlítása
  5. Neural Networks

    1. Neurális hálózatok illesztése
    2. Neurális hálózatok képzési kérdései
  6. Döntési fák

    1. Regressziós fák
    2. Osztályozó fák
    3. Fák versus lineáris modellek
  7. Zsákolás, Random Forests, Boosting

    1. Zsákolás
    2. Random Forest s
    3. Fellendítés
  8. Támogatja a Vector gépeket és a rugalmas lemezeket

    1. Maximális árrés osztályozó
    2. Támogatja a vektorosztályozókat
    3. Támogatja a vektoros gépeket
    4. 2 és több osztályú SVM
    5. Kapcsolat a logisztikai regresszióval
  9. Főkomponensek elemzése

  10. Klaszterezés

    1. K-csoportosulást jelent
    2. K-medoidok klaszterezése
    3. Hierarchikus klaszterezés
    4. Sűrűség alapú klaszterezés
  11. Modellértékelés és -választás

    1. Elfogultság, szórás és modell összetettsége
    2. A mintán belüli előrejelzési hiba
    3. Bayesi megközelítés
    4. Keresztellenőrzés
    5. Bootstrap módszerek
 28 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák