Schița de curs
Introducere
Această secțiune oferă o introducere generală despre când să folosești „machine learning”, ce ar trebui luat în considerare și ce înseamnă totul, inclusiv avantajele și dezavantajele. Tipuri de date (structurate/nestructurate/statice/streaming), validitatea/volumul datelor, analiză bazată pe date vs. analiză bazată pe utilizator, modele statistice vs. modele de machine learning, provocările învățării nesupervizate, compromisul bias-varianță, iterație/evaluare, abordări de validare încrucișată, învățare supervizată/nesupervizată/prin recompensă.
SUBIECTE PRINCIPALE
1. Înțelegerea algoritmului 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 de arbore de decizie C5.0
- Alegerea celei mai bune diviziuni
- Reducerea arborelui de decizie (pruning)
3. Înțelegerea rețelelor neuronale
- De la neuronii biologici la cei artificiali
- Funcții de activare
- Topologia rețelei
- Numărul de straturi
- Direcția de circulație a informației
- Numărul de noduri din fiecare strat
- Antrenarea rețelelor neuronale cu backpropagation
- Deep Learning
4. Înțelegerea Support Vector Machines
- Clasificare cu hiperplane
- Găsirea marjei maxime
- Cazul datelor separabile liniar
- Cazul datelor neseparabile liniar
- Utilizarea kernel-urilor pentru spații neliniare
5. Înțelegerea clustering-ului
- Clustering-ul ca sarcină de machine learning
- Algoritmul k-means pentru clustering
- Utilizarea distanței pentru alocarea și actualizarea clusterelor
- Alegerea numărului potrivit de clustere
6. Măsurarea performanței pentru clasificare
- Lucrul cu datele de predicție pentru 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 recall
- Măsura F
- Vizualizarea compromisurilor de performanță
- Curbe ROC
- Estimarea performanței viitoare
- Metoda holdout
- Validare încrucișată
- Eșantionare bootstrap
7. Reglarea modelelor standard pentru performanțe mai bune
- Utilizarea caret pentru reglarea automată a parametrilor
- Crearea unui model simplu optimizat
- Personalizarea procesului de reglare
- Îmbunătățirea performanței modelului cu meta-learning
- Înțelegerea ansamblurilor de modele (ensembles)
- Bagging
- Boosting
- Random forests
- Antrenarea random forests
- Evaluarea performanței random forests
SUBIECTE SECUNDARE
8. Înțelegerea clasificării folosind cei mai apropiați vecini
- Algoritmul kNN
- Calcularea distanței
- Alegerea unui k potrivit
- 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 derivate din arborii de decizie
10. Înțelegerea regresiei
- Regresie liniară simplă
- Estimarea prin metoda celor mai mici pătrate
- Corelații
- Regresie liniară multiplă
11. Înțelegerea arborilor de regresie și a arborilor de modele
- 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
Extra
- Spark/PySpark/MLlib și multi-armed bandits
Cerințe
Cunoștințe de Python
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
