Schița de curs

Fundamentele Învățării Automate

  • Introducere în conceptele și fluxurile de lucru ale Învățării Automate
  • Învățare supervizată vs. nesupervizată
  • Evaluarea modelelor de învățare automată: metrici și tehnici

Metode Bayesiene

  • Modele Naive Bayes și multinomiale
  • Analiza datelor categorice bayesiene
  • Modele grafice bayesiene

Tehnici de Regresie

  • Regresie liniară
  • Regresie logistică
  • Modele Lineare Generalizate (GLM)
  • Modele mixte și modele aditive

Reducerea Dimensionalității

  • Analiza Componentelor Principale (PCA)
  • Analiza Factorială (FA)
  • Analiza Componentelor Independente (ICA)

Metode de Clasificare

  • Vecinii Cea Mai Apropiați (KNN)
  • Mașini cu Vectori de Suport (SVM) pentru regresie și clasificare
  • Boosting și modele de ansamblu

Rețele Neuronale

  • Introducere în rețelele neuronale
  • Aplicații ale învățării profunde în clasificare și regresie
  • Antrenarea și ajustarea rețelelor neuronale

Algoritmi și Modele Avansate

  • Modele Markov Ascunse (HMM)
  • Modele de Spațiu de Stare
  • Algoritmul EM

Tehnici de Clustering

  • Introducere în clustering și învățare nesupervizată
  • Algoritmi populari de clustering: K-Means, Clustering Hierarhic
  • Cazuri de utilizare și aplicații practice ale clusteringului

Rezumat și Pași Următori

Cerințe

  • Înțelegere de bază a statisticii și analizei datelor
  • Experiență de programare în R, Python sau alte limbaje de programare relevante

Public țintă

  • Specialiști în date
  • Statisticieni
 14 Ore

Numărul de participanți


Pret per participant

Mărturii (5)

Cursuri viitoare

Categorii înrudite