課程簡介

1. 使用最近鄰 理解分類

  • kNN 演算法
  • 計算距離
  • 選擇合適的 k
  • 準備用於 kNN的數據
  • 為什麼 kNN 演算法是懶惰的?

2. 理解樸素貝葉斯 

  • 貝葉斯方法的基本概念
  • 概率
  • 聯合概率
  • 貝葉斯定理的條件概率
  • 樸素貝葉斯演演算法
  • 樸素貝葉斯分類
  • 拉普拉斯估計器
  • 使用具有樸素貝葉斯的數值特徵

3. 了解決策樹 

  • 分而治之
  • C5.0 決策樹演演算法
  • 選擇最佳分割
  • 修剪決策樹

4. 了解分類規則 

  • 分離與征服
  • “一法則”演演算法
  • RIPPER 演算法
  • 決策樹中的規則

5. 理解回歸 

  • 簡單線性回歸
  • 普通最小二乘估計
  • 相關性
  • 多元線性回歸

6. 了解回歸樹和模型樹 

  • 向樹添加回歸

7. 了解神經網路 

  • 從生物神經元到人工神經元
  • 啟動函數
  • 網路拓撲
  • 層數
  • 信息傳播的方向
  • 每層中的節點數
  • 使用反向傳播訓練神經網路

8. 理解支援向量機 

  • 使用超平面進行分類
  • 尋找最大保證金
  • 線性可分離數據的情況
  • 非線性可分離數據的情況
  • 將內核用於非線性空間

9. 了解關聯規則 

  • 用於關聯規則學習的 Apriori 演算法
  • 衡量規則興趣 - 支援和信心
  • 使用 Apriori 原則構建一組規則

10. 瞭解聚類

  • 聚類分析作為機器學習任務
  • 聚類的k-means 演算法
  • 使用距離配置與更新集群
  • 選擇適當數量的集群

11. 衡量分類 性能

  • 使用分類預測資料
  • 仔細研究混淆矩陣
  • 使用混淆矩陣來衡量性能
  • 超越準確性 – 其他性能衡量標準
  • kappa 統計資料
  • 敏感性和特異性
  • 精確度和召回率
  • F-measure
  • 視覺化效能權衡
  • ROC 曲線
  • 估計未來性能
  • 維持方法
  • 交叉驗證
  • Bootstrap 取樣

12. 調整庫存模型以獲得更好的性能 

  • 使用插入符號進行自動參數調整
  • 建立簡單的優化模型
  • 自訂調優過程
  • 通過元學習提高模型性能
  • 瞭解整合
  • 裝袋
  • 提高
  • 隨機森林
  • 訓練隨機森林
  • 評估隨機林性能

13. Deep Learning

  • 深度學習的三類
  • 深度自動編碼器
  • 預訓練深度 Neural Networks
  • 深度堆疊網路

14. 具體應用領域的討論

  21 時間:
 

人數


開始於

結束於


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

客戶評論 (1)

相關課程

課程分類