Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere
Această secțiune oferă o introducere generală despre când să folosim „învățarea automată”, ce trebuie luat în considerare și ce înseamnă toate acestea, inclusiv avantajele și dezavantajele. Tipuri de date (structurate/nestructurate/statice/streamate), validitatea/volumul datelor, analize bazate pe date vs. analize bazate pe utilizator, modele statistice vs. modele de învățare automată, provocări ale învățării nesupervizate, compromisul bias-varianță, iterație/evaluare, abordări de cross-validare, învățare supervizată/nesupervizată/cu întărire.
SUBJECTE PRINCIPALE
1. Înțelegerea metodei naive Bayes
- Concepte de bază ale metodelor Bayesiene
- Probabilitate
- Probabilitate comună
- Probabilitate condiționată cu teorema lui Bayes
- Algoritmul naive Bayes
- Clasificarea naive Bayes
- Estimatorul Laplace
- Utilizarea caracteristicilor numerice cu naive Bayes
2. Înțelegerea arborilor de decizie
- Divide și cucerește
- Algoritmul arborelui de decizie C5.0
- Alegerea celei mai bune diviziuni
- Trunchierea arborelui de decizie
3. Înțelegerea rețelelor neuronale
- De la neuroni biologici la neuroni artificiali
- Funcții de activare
- Topologia rețelei
- Numărul de straturi
- Direcția de circulație a informațiilor
- Numărul de noduri în fiecare strat
- Antrenarea rețelelor neuronale cu backpropagation
- Învățare profundă
4. Înțelegerea mașinilor cu vectori de suport
- Clasificare cu hiperplane
- Găsirea marginii maxime
- Cazul datelor liniar separabile
- Cazul datelor neliniar separabile
- Utilizarea nucleelor pentru spații neliniare
5. Înțelegerea clusteringului
- Clustering ca sarcină de învățare automată
- Algoritmul k-means pentru clustering
- Utilizarea distanței pentru a atribui și actualiza clustere
- Alegerea numărului adecvat de clustere
6. Măsurarea performanței pentru clasificare
- Lucrul cu date de predicție de clasificare
- O privire mai atentă asupra matricelor de confuzie
- Utilizarea matricelor de confuzie pentru a măsura performanța
- Dincolo de acuratețe – alte măsuri de performanță
- Statistica kappa
- Sensibilitate și specificitate
- Precizie și reamintire
- Măsura F
- Vizualizarea compromisurilor de performanță
- Curbe ROC
- Estimarea performanței viitoare
- Metoda holdout
- Cross-validare
- Eșantionare bootstrap
7. Reglarea modelelor standard pentru o performanță mai bună
- Utilizarea caret pentru reglarea automată a parametrilor
- Crearea unui model simplu reglat
- Personalizarea procesului de reglare
- Îmbunătățirea performanței modelului cu meta-învățare
- Înțelegerea ansamblurilor
- Bagging
- Boosting
- Păduri aleatoare
- Antrenarea pădurilor aleatoare
- Evaluarea performanței pădurilor aleatoare
SUBJECTE SECUNDARE
8. Înțelegerea clasificării folosind cei mai apropiați vecini
- Algoritmul kNN
- Calcularea distanței
- Alegerea unui k adecvat
- Pregătirea datelor pentru utilizarea cu kNN
- De ce este algoritmul kNN leneș?
9. Înțelegerea regulilor de clasificare
- Separă și cucerește
- Algoritmul One Rule
- Algoritmul RIPPER
- Reguli din arbori de decizie
10. Înțelegerea regresiei
- Regresie liniară simplă
- Estimarea celor mai mici pătrate ordinare
- Corelații
- Regresie liniară multiplă
11. Înțelegerea arborilor de regresie și a arborilor de model
- Adăugarea regresiei la arbori
12. Înțelegerea regulilor de asociere
- Algoritmul Apriori pentru învățarea regulilor de asociere
- Măsurarea interesului regulilor – suport și încredere
- Construirea unui set de reguli cu principiul Apriori
Extras
- Spark/PySpark/MLlib și Multi-armed bandits
Cerințe
Cunoștințe de Python
21 Ore
Mărturii (7)
Mi-am înfruptat cu încântare instruirea și mi-a plăcut abordarea mai detaliată a subiectului Machine Learning. Am apreciat echilibrul dintre teorie și aplicații practice, în special sesiunile de codare practică. Formatorul a oferit exemple captivante și exerciții bine concepute care au consolidat experiența de învățare. Cursul a acoperit o gamă largă de subiecte, iar Abhi a demonstrat o exelență expertiză, răspunzând la toate întrebările cu claritate și ușurință.
Valentina
Curs - Machine Learning
Tradus de catre o masina
Am apreciat exercițiul care mi-a ajutat să înțeleg teoria și să o aplic pas cu pas. De asemenea, modul în care instrctorul a explicat totul într-o manieră simplă și clară. A fost ușor de urmărit chiar dacă nu am prea multă experiență cu Python, însă nu am vrut să ratăm oportunitatea de a învăța ceva care mă interesează foarte tare. Am apreciat și varietatea informațiilor oferite și disponibilitatea instrctorului de a ne explica și susține în înțelegerea conceptelor. După acest curs, concepțiile de machine learning sunt mult mai clare pentru mine, iar acum simt că am o direcție și o înțelegere mai bună a subiectului.
Cristina
Curs - Machine Learning
Tradus de catre o masina
La sfârșitul instruirii, am putut vedea cazul de utilizare din viața reală al subjektelor prezentate.
Daniel
Curs - Machine Learning
Tradus de catre o masina
Mi-a plăcut ritmul, mi-a plăcut echilibrul dintre teorie și practică, temele principale abordate și modul în care instrucționarul a reușit să pună totul în echilibru. Mi-a plăcut și foarte mult infrastructura de instruire, foarte practică pentru lucru cu VM-uri.
Andrei
Curs - Machine Learning
Tradus de catre o masina
Mărirea concizității și simplificării. Crearea unor intuiții și modele vizuale în jurul conceptelor (graficul arborelui de decizie, ecuațiile liniare, calcularea manuală a y_pred pentru a demonstra cum funcționează modelul).
Nicolae - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
M-a ajutat să realizăm obiectivul de a înțelege ML. Mult respect pentru Pablo pentru că a oferit o introducere adecvată în acest subiect, deoarece după 3 zile de instruire devine clar cât de vast este acest domeniu. Am apreciat foarte mult ideea mașinilor virtuale pe care ne-ați oferit-o, care au avut o latencie foarte bună! A permis fiecărui participanță să facă experimente la propriul ritm.
Silviu - DB Global Technology
Curs - Machine Learning
Tradus de catre o masina
Modul practic, viziunea teoriei care se materializează în ceva practic este minunată.
Lisa Fekade - Vodacom
Curs - Machine Learning
Tradus de catre o masina
