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.
課程簡介
機器學習
Machine Learning 簡介
-
機器學習的應用
監督學習與無監督學習
機器學習演算法
回歸
分類
聚類
推薦系統
異常檢測
Reinforcement Learning
回歸
-
簡單和多元回歸
最小二乘法
估計係數
評估係數估計的準確性
評估模型的準確性
事後估算分析
回歸模型中的其他注意事項
定性預測變數
線性模型的擴展
潛在問題
回歸模型的偏差-方差權衡 [欠擬合/過擬合]
重採樣方法
-
交叉驗證
驗證集方法
留一交叉驗證
k-Fold 交叉驗證
k-Fold 的偏置-方差權衡
這 Bootstrap
模型選擇和正則化
-
子集選擇 [最佳子集選擇、逐步選擇、選擇最佳模型]
收縮方法/正則化 [Ridge Regression, Lasso & Elastic Net]
選擇調優參數
降維方法
主成分回歸
偏最小二乘法
分類
-
邏輯回歸
物流模型成本函數
估計係數
進行預測
比值比
性能評估矩陣
[靈敏度/特異性/PPV/NPV、精密度、ROC曲線等]
多元邏輯回歸
>2 回應類的邏輯回歸
正則化邏輯回歸
前饋 ANN。
多層前饋網路的結構 反向傳播演算法 反向傳播 - 訓練和收斂 具有反向傳播的函數近似 反向傳播學習的實踐和設計問題
-
Deep Learning
人工智慧 & Deep Learning Softmax 回歸 自學學習 深度網路 演示和應用
-
實驗室:
R 入門
-
R 簡介
基本命令和庫
數據操作
匯入和匯出數據
圖形和數位摘要
寫入函數
回歸
簡單和多元線性回歸 交互術語 非線性變換 虛擬變數回歸 交叉驗證和 Bootstrap 子集選擇方法 懲罰 [Ridge, Lasso, Elastic Net]
-
分類
Logistic回歸、LDA、QDA和KNN, 重採樣和正則化 支援向量機 重採樣和正則化
-
注意:
對於ML演算法,案例研究將用於討論其應用,優勢和潛在問題。 將使用 R 對不同數據集進行分析
最低要求
統計概念的基本知識是可取的。
21 時間:
客戶評論 (4)
我們通過實際示例對 Machine Learning、Neural Networks 和 AI 進行了概述。
Catalin - DB Global Technology SRL
Course - Machine Learning and Deep Learning
機器翻譯
與 AI 的最後一天
Ovidiu - DB Global Technology SRL
Course - Machine Learning and Deep Learning
機器翻譯
挑選、與我們分享和解釋的例子
Cristina - DB Global Technology SRL
Course - Machine Learning and Deep Learning
機器翻譯
Coverage and depth of topics