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
Algoritmi de învățare automată în Julia
Concepte introductive
-
Învățare supravegheată & învățare nesupravegheată
Validarea încrucișată și selectarea modelelor
Compromis prejudicii/varianță
Linear & regresie logistică
(NaiveBayes & GLM)
-
Concepte introductive
Ajustarea modelelor de regresie liniară
Diagnosticarea modelelor
Naive Bayes
Ajustarea unui model de regresie logistică
Diagnosticarea modelului
Metode de selecție a modelelor
Distanțe
-
Ce este o distanță?
Euclidiană
Blocul orașului
Cosinus
Corelație
Mahalanobis
Hamming
MAD
RMS
Abaterea medie pătratică
Reducerea dimensionalității
-
Analiza componentelor principale (PCA)
PCA liniară
Kernel PCA
PCA probabilistică
CA independentă
Concepte de bază ale regularizării Regresia de creastă Regresia Lasso Regresia în componente principale (PCR)
-
Clusterizare
K-means K-medoizi DBSCAN Gruparea ierarhică Algoritmul Markov Cluster Clusterizarea Fuzzy C-means
-
Modele standard de învățare automată
(pachete NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)
Concepte de amplificare a gradientului K vecini mai apropiați (KNN) Modele de arbore de decizie Modele de pădure aleatoare XGboost EvoTrees Mașini vectoriale de suport (SVM)
-
Rețele neuronale artificiale
(Pachet Flux)
descrescător de gradient stocastic & strategii Perceptroni multistraturi forward feed & back propagation Regularizare Rețele neuronale de recurență (RNN) Rețele neuronale convoluționale (Convnets) Autocodificatoare Hiperparametri
Cerințe
Acest curs se adresează persoanelor care au deja cunoștințe în domeniul științei datelor și al statisticii.
21 ore