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.
Kursplan
1. Forstå klassifisering ved hjelp av nærmeste naboer
- kNN-algoritmen Beregne avstand Velge en passende k Forberede data for bruk med kNN Hvorfor er kNN-algoritmen lat?
2. Forstå naive Bayes
- Grunnleggende begreper for Bayesianske metoder Sannsynlighet Fellessannsynlighet Betinget sannsynlighet med Bayes' teorem Den naive Bayes-algoritmen Den naive Bayes-klassifiseringen Laplace-estimatoren Bruke numeriske trekk med naive Bayes
3. Forstå beslutningstrær
- Del og hersk C5.0-beslutningstrealgoritmen Velge den beste splittelsen Beskjæring av beslutningstreet
4. Forstå klassifiseringsregler
- Separer og erobre The One Rule-algoritmen RIPPER-algoritmen Regler fra beslutningstrær
5. Forstå regresjon
- Enkel lineær regresjon Ordinær minste kvadraters estimering Korrelasjoner Multippel lineær regresjon
6. Forstå regresjonstrær og modelltrær
- Legge til regresjon til trær
7. Forstå nevrale nettverk
- Fra biologiske til kunstige nevroner Aktiveringsfunksjoner Nettverkstopologi Antall lag Informasjonens reiseretning Antall noder i hvert lag Trening av nevrale nettverk med tilbakepropagasjon
8. Forstå støttevektormaskiner
- Klassifisering med hyperplan Finne maksimal margin Tilfellet av lineært separerbare data Tilfellet av ikke-lineært separerbare data Bruke kjerner for ikke-lineære rom
9. Forstå foreningens regler
- Apriori-algoritmen for assosiasjonsregellæring Måling av regelinteresse – støtte og tillit Bygge et sett med regler med Apriori-prinsippet
10. Forstå clustering
- Klynger som en maskinlæringsoppgave K-betyr-algoritmen for klynger Bruke avstand til å tildele og oppdatere klynger Velge riktig antall klynger
11. Måling av ytelse for klassifisering
- Arbeide med klassifikasjonsprediksjonsdata En nærmere titt på forvirringsmatriser Bruke forvirringsmatriser for å måle ytelse Utover nøyaktighet – andre mål for ytelse Kappa-statistikken Sensitivitet og spesifisitet Presisjon og tilbakekalling F-målet Visualisering av ytelsesavveininger ROC-kurver Anslå fremtidig ytelse Holdout-metoden Kryss- validering Bootstrap prøvetaking
12. Tuning lagermodeller for bedre ytelse
- Bruke caret for automatisert parameterinnstilling Lage en enkel innstilt modell Tilpasse innstillingsprosessen Forbedre modellytelse med meta-læring Forstå ensembler Bagging Boosting Tilfeldige skoger Trening tilfeldige skoger Evaluering av tilfeldig skogytelse
13. Deep Learning
- Tre klasser Deep Learning Deep Autoencodere Pre-trained Deep Neural Networks Deep Stacking Networks
14. Diskusjon av spesifikke bruksområder
21 timer
Testimonials (1)
Very flexible.
