Schița de curs

Algoritmi de Învățare Automată în Julia

Concepte introductive

  • Învățare supervizată & nesupravegheată
  • Validare încrucișată și selecție de modele
  • Compromisul bias/varianță

Regresie liniară & logistică

(NaiveBayes & GLM)

  • Concepte introductive
  • Potrivirea modelelor de regresie liniară
  • Diagnosticarea modelelor
  • Naive Bayes
  • Potrivirea unui model de regresie logistică
  • Diagnosticarea modelelor
  • Metode de selecție a modelelor

Distanțe

  • Ce este o distanță?
  • Euclidiană
  • Cityblock
  • Cosinus
  • Corelație
  • Mahalanobis
  • Hamming
  • MAD
  • RMS
  • Deviația pătratică medie

Reducerea dimensionalității

  • Analiza Componentelor Principale (PCA)
    • PCA liniară
    • PCA cu nucleu
    • PCA probabilistică
    • CA independentă
  • Scalare multidimensională

Metode de regresie modificate

  • Concepte de bază ale regularizării
  • Regresie Ridge
  • Regresie Lasso
  • Regresie pe componente principale (PCR)

Clustering

  • K-means
  • K-medoids
  • DBSCAN
  • Clustering ierarhic
  • Algoritmul Markov Cluster
  • Clustering Fuzzy C-means

Modele standard de învățare automată

(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM pachete)

  • Concepte de gradient boosting
  • Vecini cei mai apropiați (KNN)
  • Modele de arbori de decizie
  • Modele de păduri aleatoare
  • XGboost
  • EvoTrees
  • Mașini cu vectori de suport (SVM)

Rețele neuronale artificiale

(Pachetul Flux)

  • Gradient descendent stocastic & strategii
  • Perceptroni multicelulari propagare înainte & înapoi
  • Regularizare
  • Rețele neuronale recurente (RNN)
  • Rețele neuronale convoluționale (Convnets)
  • Autoencodere
  • Hiperparametri

Cerințe

Acest curs este destinat persoanelor care au deja cunoștințe în domeniile științei datelor și statisticii.

 21 Ore

Numărul de participanți


Pret per participant

Mărturii (2)

Cursuri viitoare

Categorii înrudite