課程簡介

應用材料簡介 Machine Learning

    統計學習與機器學習 反覆運算和評估 偏差-方差權衡 監督學習與無監督學習 使用 Machine Learning 解決的問題 訓練驗證測試 – ML 工作流,避免過度擬合 Machine Learning 的工作流程 機器學習演算法 為問題選擇適當的演算法

演演算法評估

    評估數值預測 精度測量:ME、MSE、RMSE、MAPE 參數和預測穩定性
評估分類演算法 準確性及其問題
  • 混淆矩陣
  • 班級不平衡問題
  • 可視化模型性能 利潤曲線
  • ROC曲線
  • 提升曲線
  • 選型
  • 模型調優 - 網格搜索策略
  • 建模數據準備
  • 數據導入和存儲 了解數據 - 基本探索 使用 pandas 庫進行數據操作 數據轉換 – 數據整理 探索性分析 缺失觀測值 – 檢測和解決方案 異常值 – 檢測和策略 標準化、規範化、二值化 定性數據重新編碼
  • 用於異常值檢測的機器學習演算法
  • 監督演算法 KNN系列 集成梯度提升 支援向量機

      無監督演算法 基於距離

    基於密度的方法

      概率方法
    基於模型的方法
  • 瞭解 Deep Learning
  • 深度學習基本概念概述 區分 Machine Learning 和深度學習 深度學習應用概述
  • Neural Networks概述
  • 什麼是 Neural Networks Neural Networks 與回歸模型 瞭解數學基礎和學習機制 構建人工神經網路 了解神經節點和連接 使用神經元、層以及輸入和輸出數據 瞭解單層感知器 監督學習和無監督學習之間的區別 學習前饋和反饋 Neural Networks 瞭解前向傳播和反向傳播
  • 使用 Keras 構建簡單的深度學習模型

      創建 Keras 模型 瞭解您的數據 指定深度學習模型 編譯模型 擬合您的模型 使用分類數據 使用分類模型 使用模型 

    使用 TensorFlow 進行深度學習

      準備數據 下載數據 準備訓練數據 準備測試數據 縮放輸入 使用佔位元和變數

    指定網路體系結構

      使用成本函數

    使用優化器

      使用初始值設定項
    擬合神經網路
  • 構建圖形 推理
  • 損失
  • 訓練
  • 訓練模型 圖表
  • 會議
  • 火車環線
  • 評估模型 構建評估圖
  • 使用 Eval 輸出進行評估
  • 大規模訓練模型
  • 使用 TensorBoard 視覺化和評估模型
  • Deep Learning在異常檢測中的應用
  • 自動編碼器 編碼器 - 解碼器架構 重建損失
  • 變分自動編碼器 變分推理
  • 生成對抗網路 生成器 – 鑒別器架構
  • 使用 GAN 的 AN 方法
  • 集成框架
  • 結合不同方法的結果 Bootstrap 聚合 平均異常值分數
  •  
  • 最低要求

    • 具有 Python 程式設計經驗
    • 基本熟悉統計學和數學概念

    觀眾

    • 開發人員
    • 數據科學家
      28 時間:

    人數


    開始於

    結束於


    Dates are subject to availability and take place between 09:30 and 16:30.

    每位參與者的報價

    相關課程

    課程分類