Schița de curs
Introducere în Învățarea Automată
- Tipuri de învățare automată – supervizată vs nesupervizată
- De la învățarea statistică la învățarea automată
- Fluxul de lucru în data mining: înțelegerea afacerii, pregătirea datelor, modelarea, implementarea
- Alegerea algoritmului potrivit pentru sarcină
- Supraadaptarea și compromisul bias-varianță
Prezentare generală a Python și a bibliotecilor pentru Învățare Automată
- De ce să folosim limbaje de programare pentru învățarea automată
- Alegerea între R și Python
- Curs rapid de Python și Jupyter Notebooks
- Biblioteci Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Testarea și evaluarea algoritmilor de Învățare Automată
- Generalizare, supraadaptare și validare a modelului
- Strategii de evaluare: holdout, cross-validation, bootstrapping
- Metrici pentru regresie: ME, MSE, RMSE, MAPE
- Metrici pentru clasificare: acuratețe, matrice de confuzie, clase dezechilibrate
- Vizualizarea performanței modelului: curba profitului, curba ROC, curba lift
- Selectarea modelului și căutarea în grilă pentru ajustare
Pregătirea datelor
- Importul și stocarea datelor în Python
- Analiza exploratorie și statistici sumare
- Gestionarea valorilor lipsă și a valorilor aberante
- Standardizare, normalizare și transformare
- Recodificarea datelor calitative și manipularea datelor cu pandas
Algoritmi de clasificare
- Clasificare binară vs multiclasă
- Regresie logistică și funcții discriminant
- Naive Bayes, k-cei mai apropiați vecini
- Arbori de decizie: CART, Păduri aleatoare, Bagging, Boosting, XGBoost
- Mașini cu vectori de suport și nuclee
- Tehnici de învățare ensemble
Regresie și predicție numerică
- Metoda celor mai mici pătrate și selecția variabilelor
- Metode de regularizare: L1, L2
- Regresie polinomială și modele neliniare
- Arbori de regresie și spline
Rețele neuronale
- Introducere în rețele neuronale și învățare profundă
- Funcții de activare, straturi și backpropagation
- Multilayer perceptrons (MLP)
- Utilizarea TensorFlow sau PyTorch pentru modelarea de bază a rețelelor neuronale
- Rețele neuronale pentru clasificare și regresie
Prognozarea vânzărilor și analiza predictivă
- Prognozarea bazată pe serii temporale vs regresie
- Gestionarea datelor sezoniere și bazate pe trend
- Construirea unui model de prognozare a vânzărilor folosind tehnici de învățare automată
- Evaluarea acurateței și incertitudinii prognozei
- Interpretarea și comunicarea rezultatelor în context de business
Învățare nesupervizată
- Tehnici de clustering: k-means, k-medoids, clustering ierarhic, SOMs
- Reducerea dimensionalității: PCA, analiza factorială, SVD
- Scalare multidimensională
Minerit de text
- Preprocesarea textului și tokenizarea
- Bag-of-words, stemming și lematizare
- Analiza sentimentelor și frecvența cuvintelor
- Vizualizarea datelor text cu nori de cuvinte
Sisteme de recomandare
- Filtrul colaborativ bazat pe utilizator și pe elemente
- Proiectarea și evaluarea motoarelor de recomandare
Mineritul modelului de asociere
- Seturi frecvente și algoritmul Apriori
- Analiza coșului de cumpărături și raportul de lift
Detecția valorilor aberante
- Analiza valorilor extreme
- Metode bazate pe distanță și densitate
- Detecția valorilor aberante în date de dimensiuni mari
Studiu de caz în Învățarea Automată
- Înțelegerea problemei de business
- Pregătirea datelor și inginerie de caracteristici
- Selectarea modelului și ajustarea parametrilor
- Evaluarea și prezentarea rezultatelor
- Implementarea
Rezumat și pași următori
Cerințe
- Cunoștințe de bază despre concepte de învățare automată, cum ar fi învățarea supervizată și nesupervizată
- Familiaritate cu programarea în Python (variabile, bucle, funcții)
- O anumită experiență în manipularea datelor folosind biblioteci precum pandas sau NumPy este utilă, dar nu este obligatorie
- Nu este necesară experiență anterioară cu modelarea avansată sau rețele neuronale
Public țintă
- Oameni de știință de date
- Analiști de business
- Ingineri software și profesioniști tehnici care lucrează cu date
Mărturii (3)
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
Lucrând pe baza principiilor de bază într-un mod concentrat, și trecerea la aplicarea studiilor de caz în aceeași zi
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
Faptul că s-a folosit date reale ale unei companii. Formatorul a avut o abordare foarte bună, încurajând participanții să colaboreze și să concureze
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curs - Applied AI from Scratch in Python
Tradus de catre o masina
