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.
Schița de curs
Introducere
Această secțiune oferă o introducere generală cu privire la situațiile în care se utilizează 'machine learning', ce ar trebui luat în considerare și ce înseamnă toate acestea, inclusiv avantajele și dezavantajele. Tipuri de date (structurate/ne-structurate/statice/în flux), validitatea/volumul de date, analiza bazată pe date vs. analiza bazată pe utilizator, modele statistice vs. modele de învățare automată/ provocările învățării nesupravegheate, compromisul părtinire-varianță, iterație/evaluare, abordări de validare încrucișată, supervizat/ne-supravegheat/reforțare.
TEMATICI MAJORE.
1. Înțelegerea lui Bayes naiv
- Conceptele de bază ale metodelor bayesiene
- Probabilitate
- Probabilitate jointă
- Probabilitate condițională cu teorema lui Bayes
- Algoritmul Bayes naiv
- Clasificarea Bayes naiv
- Estimatoarele Laplace
- Utilizarea caracteristicilor numerice cu Bayes naiv
2. Înțelegerea arborilor de decizie
- Divizează și conquerează
- Algoritmul arborelui de decizie C5.0
- Alegerea celei mai bune împărțiri
- Tăierea arborelui de decizie
3. Înțelegerea rețelelor neuronale
- Din neuroni biologici la artificiali
- Funcțiile de activare
- Topologia rețelei
- Numărul stratelor
- Sensul călătoriei informației
- Numărul nodurilor din fiecare strat
- Treinarea rețelelor neuronale cu retropropagare
- Deep Learning
4. Înțelegerea mașinilor vectoriale de suport
- Clasificarea cu iperplane
- Găsirea marginii maxime
- Cazul datelor separabile liniar
- Cazul datelor ne-separabile liniar
- Utilizarea nucleurilor pentru spații non-linare
5. Înțelegerea grupării
- Gruparea ca sarcina de învățare automată
- Algoritmul k-means pentru grupare
- Utilizarea distanței pentru a atribui și actualiza grupurile
- Alegerea numărului adecvat de grupuri
6. Măsurarea performanței pentru clasificare
- Munca cu datele de predicție ale clasificării
- O privire mai atentă la matricea de confuzie
- Utilizarea matricelor de confuzie pentru a măsura performanța
- Peste acuratețe – alte măsurători ale performanței
- Statisticile kappa
- Sensibilitate și specificitate
- Precizie și recall
- Măsuratorile F
- Vizualizarea compromisurilor de performanță
- Curbelor ROC
- Estimarea viitoarei performanțe
- Metoda rezervării
- Validarea încrucișată
- Bootstrap eșantionaj
7. Reglarea modelelor de stoc pentru o performanță mai bună
- Utilizarea caretului pentru reglare automată a parametrilor
- Creați un model simplu ajustat
- Personalizarea procesului de ajustare
- Îmbunătățirea performanței modelelor cu învățarea meta
- Comprende legăturile
- Bagging
- Boosting
- Păduri aleatorii
- Treinarea pădurilor aleatoare
- Evaluarea performanței pădurilor aleatoare
TEME MINORE
8. Înțelegerea clasificării cu ajutorul celor mai apropiați vecini
- Algoritmul kNN
- Calea distanței
- Alegerea unui k adecvat
- Pregătirea datelor pentru utilizare cu kNN
- De ce algoritmul kNN este leneș?
9. Înțelegerea regulilor de clasificare
- Separate și conquerează
- Algoritmul One Rule
- Algoritmul RIPPER
- Reguli din arborele de decizie
10. Înțelegerea regresiei
- Regressia liniară simplă
- Estimarea celor mai mici pătrate obișnuite
- Corespunzător
- Regressia liniară multiplă
11. Înțelegerea arborilor de regresie și a arborilor model
- Adăugarea regresiei la arborele
12. Înțelegerea regulilor de asociere
- Algoritmul Apriori pentru învățare cu reguli de asociere
- Măsurarea interesului regulelor – suport și încredere
- Construirea unui set de reguli cu principiul Apriori
Extras
- Spark/PySpark/MLlib și Multi-armed bandits
Cerințe
Python Cunoaștere
21 ore
Mărturii (7)
Am apreciat foarte mult antrenamentul și mă bucur că am avut o explorare mai profundă a subiectului Machine Learning. Am valorificat echilibrul între teorie și aplicări practice, în special sesiunile de codare practică. Antrenorul a oferit exemple captivante și exerciții bine concepute care au îmbunătățit experiența de învățare. Cursul a acoperit o gamă largă de subiecte, iar Abhi a demonstrat o expertiză excelentă răspunzând cu claritate și ușurință la toate întrebările.
Valentina
Curs - Machine Learning
Tradus de catre o masina
Am apreciat exercițiul care m-a ajutat să înțeleg teoria și să o aplic paș cu paș. În același timp, am apreciat modul în care antrenorul a explicat totul într-un mod simplu și clar. Era ușor de urmat chiar dacă nu sunt foarte experient cu Python, însă nu dorea să păstrez șansa de a învăța ceva care mă interesează cu adevărat. De asemenea, am apreciat diversitatea informațiilor furnizate și disponibilitatea antrenorului de a explica și să ne susțină în înțelegerea conceptelor. După această cursă, conceptele de învățare automată sunt mult mai clare pentru mine, iar acum mă simt ca fiind orientat și cu o înțelegere mai bună a subiectului.
Cristina
Curs - Machine Learning
Tradus de catre o masina
La sfârșitul instruirea, am putut vedea utilizarea practică a subiectelor prezentate.
Daniel
Curs - Machine Learning
Tradus de catre o masina
Am apreciat cadrulezul, am apreciat echilibrul dintre teorie și practică, subiectele principale abordate și modalitatea în care formatorul a reușit să pune totul în echilibru. De asemenea, îmi place foarte mult infrastructura dvs. de antrenament, foarte practică pentru a lucra cu mașini virtuale.
Andrei
Curs - Machine Learning
Tradus de catre o masina
Să fie scurt și simplu. Crearea intuiției și a modelelor vizuale în jurul conceptelor (graficul arborelui de decizie, ecuații liniare, calcularea manuală a lui y_pred pentru a dovedi modul în care funcționează modelul).
Nicolae - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
M-a ajutat să îmi ating obiectivul de a înțelege ML. Mult respect pentru Pablo pentru că a făcut o introducere corectă în acest subiect, deoarece devine evident după 3 zile de training cât de vast este acest subiect. De asemenea, mi-a plăcut MULT ideea de mașini virtuale pe care ați oferit-o, care au avut o latență foarte bună! A permis fiecărui cursant să facă experimente în ritmul propriu.
Silviu - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
Modul practic, vederea teoriei devenind ceva practic, este excelent.
Lisa Fekade - Vodacom
Curs - Machine Learning
Tradus de catre o masina
