Schița de curs
Învățare automată
Introducere la Machine Learning
- Aplicații ale învățării automate Învățare supravegheată versus nesupravegheată Algoritmi de învățare automată Clasificare de regresie Recomandare de grupare Detectare anomalii ale sistemului Reinforcement Learning
Regresia
- Regresia simplă și multiplă Metoda celor mai mici pătrate Estimarea coeficienților Evaluarea acurateței estimărilor coeficienților Evaluarea acurateței modelului Analiza post-estimare Alte considerații în modelele de regresie Predictori calitativi Extensii ale modelelor liniare Probleme potențiale Comerț de variație bias [sub-adaptare /over-fitting] pentru modelele de regresie
Metode de reeșantionare
- Validare încrucișată Abordarea setului de validare Leave-One-Out Validare încrucișată K-Fold Validare încrucișată Bias-Varie Trade-Off pentru k-Fold Bootstrap
Selectarea și regularizarea modelului
- Selecția subsetului [Selectarea cea mai bună a subsetului, Selecția în trepte, Alegerea modelului optim] Metode de contracție/Regularizare [Regresia crestei, Lasso și plasă elastică] Selectarea parametrului de reglare Metode de reducere a dimensiunii Componente principale Regresie Cele mai mici pătrate parțiale
Clasificare
- Regresia logistică Funcția de cost al modelului logistic Estimarea coeficienților Efectuarea predicțiilor Raportul cotelor Matrice de evaluare a performanței [Sensibilitate/Specificie/VPP/NPV, Precizie, curbă ROC etc.] Regresie logistică multiplă Regresie logistică pentru >2 clase de răspuns Regresie logistică regulată
Feed forward ANN.
Structuri ale rețelelor de tip feed forward multistrat Algoritm de propagare inversă Propagare înapoi - antrenament și convergență Aproximare funcțională cu propagare inversă Probleme practice și de proiectare ale învățării cu propagare inversă
- Deep Learning
Inteligență artificială și Deep Learning Regresie Softmax Învățare autodidactă Rețele profunde Demo și aplicații
- Laborator:
Noțiuni introductive cu R
- Introducere în R Comenzi și biblioteci de bază Manipularea datelor Importul și exportul datelor Rezumate grafice și numerice Funcții de scriere
Regresia
Regresie liniară simplă și multiplă Termeni de interacțiune Transformări neliniare Regresie variabilă fictică Validare încrucișată și Bootstrap Metode de selecție a subsetului Penalizare [Ridge, Lasso, Elastic Net]
- Clasificare
Regresie logistică, LDA, QDA și KNN, Reeșantionare și regularizare Suport Vector Machine Reeșantionare și regularizare
- Notă:
Pentru algoritmii ML, studiile de caz vor fi folosite pentru a discuta despre aplicarea lor, avantajele și problemele potențiale. Analiza diferitelor seturi de date va fi efectuată folosind R
Cerințe
Este de dorit cunoașterea de bază a conceptelor statistice.
Mărturii (4)
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
Coverage and depth of topics