Návrh Školení

Základy Machine Learning

  • Úvod do Machine Learning konceptů a pracovních postupů
  • Učení pod dohledem vs. učení bez dohledu
  • Vyhodnocování modelů strojového učení: metriky a techniky

Bayesovské metody

  • Naivní Bayes a multinomiální modely
  • Bayesovská kategoriální analýza dat
  • Bayesovské grafické modely

Regresní techniky

  • Lineární regrese
  • Logistická regrese
  • Generalizované lineární modely (GLM)
  • Smíšené modely a aditivní modely

Redukce rozměrů

  • Analýza hlavních komponent (PCA)
  • Faktorová analýza (FA)
  • Nezávislá analýza komponent (ICA)

Klasifikační metody

  • K-Nearest Neighbors (KNN)
  • Podpora vektorových strojů (SVM) pro regresi a klasifikaci
  • Posilovací a souborové modely

Neural Networks

  • Úvod do neuronových sítí
  • Aplikace hlubokého učení v klasifikaci a regresi
  • Trénink a ladění neuronových sítí

Pokročilé algoritmy a modely

  • Skryté modely Markov (HMM)
  • Modely státního prostoru
  • EM algoritmus

Shlukovací techniky

  • Úvod do shlukování a učení bez dozoru
  • Populární shlukovací algoritmy: K-Means, Hierarchical Clustering
  • Příklady použití a praktické aplikace shlukování

Shrnutí a další kroky

Požadavky

  • Základní znalosti statistiky a analýzy dat
  • Programming zkušenosti s R, Python nebo jinými relevantními programovacími jazyky

Publikum

  • Datoví vědci
  • Statistici
 14 hodiny

Počet účastníků


Price per participant

Reference (5)

Upcoming Courses

Související kategorie