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
Machine Learning
Introducere în Machine Learning
- Aplicații ale învățării automate (machine learning)
- Invățare supervizată versus invățare nesupervizată
- Algoritmi de machine learning
- Regresie
- Clasificare
- Agrupare (clustering)
- Sisteme de recomandare
- Detectarea anomaliei
- Invățare prin întărirea (reinforcement learning)
Regresie
- Regresia simplă și multiplă
- Metoda pătratelor minime (least square method)
- Evaluarea coeficienților
- Verificarea acurateții estimărilor coeficienților
- Verificarea acurateții modelului
- Analiza post-estimare
- Alte considerentii în modelele de regresie
- Predictori calitativi
- Extensii ale modelilor liniare
- Probleme potențiale
- Echilibrarea bias-varianță (subalocare/superalocare) pentru modele de regresie
Metode de resampling
- Validarea croșată (cross-validation)
- Metoda setului de validare
- Validarea croșată cu eliminarea unei observații (leave-one-out cross-validation)
- Validarea croșată k-fold
- Echilibrarea bias-varianță pentru k-fold
- Bootstrap-ul
Selectia modelului și regularizarea
- Selectarea subset-urilor
- Selectarea celor mai bune subset-uri
- Selectarea treptată (stepwise selection)
- Alegerea modelului optimal
- Metode de reducere a dimensiunii/regularizare
- Regresia ridge
- Lasso și elastic net
- Selectarea parametrului de ajustare (tuning parameter)
- Metode de reducere a dimensiunii
- Regresia prin componente principale (principal components regression)
- Componentele parțiale minime (partial least squares)
Clasificare
Regresia logistică
- Functia de cost a modelului logistic
- Evaluarea coeficienților
- Făcerea predictiilor
- Raportul de șanse (odds ratio)
- Matricile de evaluare a performanței
- Sensibilitate/specificitate/PPV/NPV
- Precizie
- Curbura ROC
- Regresia logistică multiplă
- Regresia logistică pentru peste 2 clase de răspuns
- Regresia logistică regularizată
Analiza discriminantă liniară (LDA)
- Folosirea teoremei lui Bayes pentru clasificare
- Analiza discriminantă liniară pentru p=1
- Analiza discriminantă liniară pentru p>1
Analiza discriminantă pătratică (QDA)
K-Vecinii Cel mai Apropiți (KNN)
- Clasificare cu limite de decizie neliniare
Machiezi de suport vectori (SVM)
- Scopul optimizării
- Classifier-ul marginii maxime
- Nuclele (kernels)
- Clasificare una împotriva unei (one-versus-one)
- Clasificare una împotriva tuturor (one-versus-all)
Compararea metodelor de clasificare
Invățarea profundă (Deep Learning)
Introducere în invățarea profundă
Rețele neuronale artificiale (ANNs)
- Neuronii biologici și cei artificiali
- Hipoteza neliniară
- Reprezentarea modelului
- Exemple și intuiții
- Funcțiile de transfer/funcțiile de activare
- Clase tipice de arhitecturi de rețele
- Rețele feedforward ANN
- Rețele feedforward multi-stratificare (multi-layer)
- Algoritmul backpropagation
- Backpropagation - instruire și convergență
- Aproximarea funcțională cu backpropagation
- Probleme practice și de design ale învățării prin backpropagation
Invățare profundă
- Inteligenta artificială și invățarea profundă
- Regresia softmax
- Invățare auto
- Rețele adânci (deep networks)
- Demonstrații și aplicații
Laborator:
Pornirea cu R
- Introducere în R
- Comenzi de bază și biblioteci
- Manipularea datelor
- Importarea și exportarea datelor
- Sumele grafice și numerice
- scrierea funcțiilor
Regresie
- Regresia liniară simplă și multiplă
- Termeni de interacție
- Transformări neliniare
- Regresia cu variabile dummy
- Validarea croșată și bootstrap-ul
- Metode de selectare a subset-urilor
- Penalizarea (ridge, lasso, elastic net)
Clasificare
- Regresia logistică, LDA, QDA și KNN
- Resampling și regularizare
- Machiezi de suport vectori (SVM)
Note:
- Pentru algoritmi de machine learning, vor fi folosite studii de caz pentru a discuta aplicațiile lor, avantajele și problemele potențiale.
- Analiza diferitelor seturi de date va fi efectuată folosind R.
Cerințe
- Cunoașterea de bază a conceptelor statistice este dorită
Audiență
- Data scientists
- Ingineri în învățarea automată (machine learning)
- Dezvoltatori de software interesați de AI
- Cercetători care lucrează cu modelarea datelor
- Profesioniști care doresc să aplice învățarea automată în afaceri sau industrie
21 ore
Mărturii (6)
Am avut o prezentare generală despre Machine Learning, Neural Networks, AI cu exemple practice.
Catalin - DB Global Technology SRL
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
Ultima zi cu AI
Ovidiu - DB Global Technology SRL
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
Exemplele care au fost culese, împărtășite cu noi și explicate
Cristina - DB Global Technology SRL
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
I really enjoyed the coverage and depth of topics.
Anirban Basu
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Curs - Machine Learning and Deep Learning
Tradus de catre o masina
