Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
1. Înțelegerea clasificării folosind vecinii cei mai apropiați
- Algoritmul kNN
- Calcularea distanței
- Alegerea unui k adecvat
- Pregătirea datelor pentru utilizarea cu kNN
- De ce este algoritmul kNN leneș?
2. Înțelegerea metodei naive Bayes
- Concepte de bază ale metodelor bayesiene
- Probabilitatea
- Probabilitatea comună
- Probabilitatea condiționată cu teorema lui Bayes
- Algoritmul naive Bayes
- Clasificarea naive Bayes
- Estimatorul Laplace
- Utilizarea caracteristicilor numerice cu naive Bayes
3. Înțelegerea arborilor de decizie
- Împarte și stăpânește
- Algoritmul arborelui de decizie C5.0
- Alegerea celei mai bune divizări
- Potoțirea arborelui de decizie
4. Înțelegerea regulilor de clasificare
- Separează și stăpânește
- Algoritmul One Rule
- Algoritmul RIPPER
- Reguli din arbori de decizie
5. Înțelegerea regresiei
- Regresia liniară simplă
- Estimarea celor mai mici pătrate ordinare
- Corelații
- Regresia liniară multiplă
6. Înțelegerea arborilor de regresie și a arborilor de model
- Adăugarea regresiei la arbori
7. Înțelegerea rețelelor neuronale
- De la neuroni biologici la neuroni artificiali
- Funcții de activare
- Topologia rețelei
- Numărul de straturi
- Direcția de circulație a informațiilor
- Numărul de noduri în fiecare strat
- Antrenarea rețelelor neuronale cu backpropagation
8. Înțelegerea Mașinilor cu Vectori de Suport
- Clasificare cu hiperplane
- Găsirea marginii maxime
- Cazul datelor liniar separabile
- Cazul datelor neliniar separabile
- Utilizarea nucleelor pentru spații neliniare
9. Înțelegerea regulilor de asociere
- Algoritmul Apriori pentru învățarea regulilor de asociere
- Măsurarea interesului regulilor – suport și încredere
- Construirea unui set de reguli cu principiul Apriori
10. Înțelegerea clusterizării
- Clusterizarea ca sarcină de învățare automată
- Algoritmul k-means pentru clusterizare
- Utilizarea distanței pentru a atribui și actualiza clustere
- Alegerea numărului adecvat de clustere
11. Măsurarea performanței pentru clasificare
- Lucrul cu date de predicție a clasificării
- O privire mai atentă asupra matricelor de confuzie
- Utilizarea matricelor de confuzie pentru măsurarea performanței
- Dincolo de acuratețe – alte măsuri ale performanței
- Statistica kappa
- Sensibilitate și specificitate
- Precizie și rechemare
- Măsura F
- Vizualizarea compromisurilor de performanță
- Curbe ROC
- Estimarea performanței viitoare
- Metoda holdout
- Validarea încrucișată
- Eșantionarea bootstrap
12. Reglarea modelelor standard pentru o performanță mai bună
- Utilizarea caret pentru reglarea automată a parametrilor
- Crearea unui model simplu reglat
- Personalizarea procesului de reglare
- Îmbunătățirea performanței modelului cu meta-învățarea
- Înțelegerea ansamblurilor
- Bagging
- Boosting
- Păduri aleatoare
- Antrenarea pădurilor aleatoare
- Evaluarea performanței pădurilor aleatoare
13. Învățare Profundă
- Trei Clase de Învățare Profundă
- Autoencodere Profunde
- Rețele Neuronale Profunde Preantrenate
- Rețele Profunde de Stivă
14. Discuție despre Arii Specifice de Aplicare
21 Ore
Mărturii (1)
Very flexible.
Frank Ueltzhoffer
Curs - Artificial Neural Networks, Machine Learning and Deep Thinking
Tradus de catre o masina
