課程簡介

    ML 簡介 機器學習是人工智慧的一部分 ML 的類型 ML 演算法 ML的挑戰和潛在用途 ML 中的過擬合和偏差-方差權衡 機器學習技術 機器學習工作流 監督學習 – 分類、回歸 無監督學習 – 聚類、異常檢測 半監督學習和 Reinforcement Learning 機器學習中的注意事項 數據預處理 數據準備和轉換 特徵工程 特徵縮放 降維和變數選擇 數據可視化 探索性分析 案例研究 高級特徵工程及其對線性回歸結果的影響,用於預測 時間序列分析和預測每月銷售 量 - 基本方法、季節性調整、回歸、指數平滑、ARIMA、神經網路 市場籃分析與關聯規則挖掘 使用聚類和自組織映射進行分割分析 使用邏輯回歸、決策樹、xgboost、svm 對哪些客戶可能違約進行分類

 

最低要求

對 Machine Learning 基礎的知識和認識

  14 時間:

人數



每位參與者的報價

相關課程

課程分類