Kursplan

Grunnlaget for Machine Learning

  • Introduksjon til Machine Learning konsepter og arbeidsflyter
  • Veiledet vs. uovervåket læring
  • Evaluering av maskinlæringsmodeller: beregninger og teknikker

Bayesianske metoder

  • Naive Bayes og multinomiale modeller
  • Bayesiansk kategorisk dataanalyse
  • Bayesianske grafiske modeller

Regresjonsteknikker

  • Lineær regresjon
  • Logistisk regresjon
  • Generaliserte lineære modeller (GLM)
  • Blandede modeller og additive modeller

Dimensjonsreduksjon

  • Hovedkomponentanalyse (PCA)
  • Faktoranalyse (FA)
  • Uavhengig komponentanalyse (ICA)

Klassifiseringsmetoder

  • K-Nærmeste Naboer (KNN)
  • Støtt Vector Machines (SVM) for regresjon og klassifisering
  • Boosting og ensemble modeller

Neural Networks

  • Introduksjon til nevrale nettverk
  • Anvendelser av dyp læring i klassifisering og regresjon
  • Trening og innstilling av nevrale nettverk

Avanserte algoritmer og modeller

  • Skjulte Markov-modeller (HMM)
  • Statlige rommodeller
  • EM Algoritme

Klyngeteknikker

  • Introduksjon til klynging og uovervåket læring
  • Populære klyngealgoritmer: K-Means, Hierarchical Clustering
  • Brukssaker og praktiske anvendelser av klynging

Sammendrag og neste trinn

Krav

  • Grunnleggende forståelse av statistikk og dataanalyse
  • Programming erfaring i R, Python eller andre relevante programmeringsspråk

Publikum

  • Dataforskere
  • Statistikere
 14 timer

Antall deltakere


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories