課程簡介

Julia 中的機器學習演算法

介紹性概念

    監督學習和無監督學習 交叉驗證和模型選擇 偏差/方差權衡

線性和邏輯回歸

(樸素貝葉斯和GLM)

    介紹性概念 擬合線性回歸模型 模型診斷 樸素貝葉斯 擬合邏輯回歸模型 模型分析 選型方法

距離

    什麼是距離? 歐氏 Cityblock 街區 餘弦 相關 馬哈拉諾比斯 漢明 狂 有效值 均方偏差

降維

    主成分分析(PCA) 線性主成分合成材料 內核 PCA 概率 PCA 獨立 CA
多維縮放
  • 更改的回歸方法
  • 正則化的基本概念 嶺回歸 套索回歸 主成分回歸 (PCR)

      聚類

    K-均值 K-中心體 DBSCAN掃描 分層聚類 瑪律可夫聚類演算法 模糊 C 均值聚類

      標準機器學習模型

    (NearestNeighbors、DecisionTree、LightGBM、XGBoost、EvoTrees、LIBSVM 包)

    梯度提升概念 K 最近鄰 (KNN) 決策樹模型 隨機森林模型 XGboost EvoTrees(沃樹) 支援向量機 (SVM)

      人工神經網路

    (助焊劑包)

    隨機梯度下降和策略 多層感知器前向饋電和後向傳播 正規化 遞迴神經網路 (RNN) 捲積神經網路 (Convnets) 自動編碼器 超參數

    最低要求

    本課程適用於已經具有數據科學和統計學背景的人。

      21 時間:

    人數



    每位參與者的報價

    相關課程

    課程分類