感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
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:
客戶評論 (1)
Very flexible