Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
- Machine Learning úvod
- Typy strojového učení – učení pod dohledem vs. učení bez dozoru
- Od statistického učení ke strojovému učení
- Pracovní postup Data Mining:
- Business pochopení
- Porozumění datům
- Příprava dat
- Modelování
- Hodnocení
- Rozvinutí
- Algoritmy strojového učení
- Výběr vhodného algoritmu pro daný problém
- Overfitting a kompromis odchylky-variance v ML
- ML knihovny a programovací jazyky
- Proč používat programovací jazyk
- Výběr mezi R a Python
- Python rychlokurz
- Python zdroje
- Python Knihovny pro strojové učení
- Jupyter notebooky a interaktivní kódování
- Testování ML algoritmů
- Generalizace a overfitting
- Vyvarujte se přemontování
- Metoda výdrže
- Křížová validace
- Bootstrapping
- Vyhodnocování numerických předpovědí
- Míry přesnosti: ME, MSE, RMSE, MAPE
- Stabilita parametrů a predikce
- Vyhodnocování klasifikačních algoritmů
- Přesnost a její problémy
- Matice zmatku
- Problém nevyvážených tříd
- Vizualizace výkonu modelu
- Zisková křivka
- ROC křivka
- Křivka zdvihu
- Výběr modelu
- Ladění modelu – grid search strategie
- Příklady v Python
- Příprava dat
- Import a ukládání dat
- Pochopte data – základní průzkumy
- Manipulace s daty s knihovnou pandas
- Transformace dat – Data wrangling
- Průzkumná analýza
- Chybějící pozorování – detekce a řešení
- Odlehlé hodnoty – detekce a strategie
- Standardizace, normalizace, binarizace
- Kvalitativní překódování dat
- Příklady v Python
- Klasifikace
- Binární vs vícetřídní klasifikace
- Klasifikace pomocí matematických funkcí
- Lineární diskriminační funkce
- Kvadratické diskriminační funkce
- Logistická regrese a pravděpodobnostní přístup
- k-nejbližší sousedé
- Naivní Bayes
- Rozhodovací stromy
- VOZÍK
- Pytlování
- Random Forest s
- Posílení
- Xgboost
- Podporujte vektorové stroje a jádra
- Klasifikátor maximální marže
- Podpora Vector Machine
- Souborové učení
- Příklady v Python
- Regrese a numerická predikce
- Odhad nejmenších čtverců
- Techniky výběru proměnných
- Regularizace a stabilita- L1, L2
- Nelinearity a zobecněné nejmenší čtverce
- Polynomiální regrese
- Regresní splajny
- Regresní stromy
- Příklady v Python
- Učení bez dozoru
- Shlukování
- Shlukování založené na centroidech – k-means, k-medoids, PAM, CLARA
- Hierarchické shlukování – Diana, Agnes
- Klastrování založené na modelu - EM
- Samoorganizující se mapy
- Hodnocení a hodnocení shluků
- Redukce rozměrů
- Analýza hlavních komponent a faktorová analýza
- Dekompozice singulární hodnoty
- Vícerozměrné škálování
- Příklady v Python
- Shlukování
- Těžba textu
- Předzpracování dat
- Model pytle se slovy
- Stemming a lemmizace
- Analýza četnosti slov
- Analýza sentimentu
- Vytváření slovních mraků
- Příklady v Python
- Motory doporučení a kolaborativní filtrování
- Údaje o doporučení
- Kolaborativní filtrování na základě uživatele
- Kolaborativní filtrování na základě položek
- Příklady v Python
- Těžba asociačních vzorů
- Algoritmus častých položek
- Analýza tržního koše
- Příklady v Python
- Analýza odlehlých hodnot
- Analýza extrémních hodnot
- Detekce odlehlých hodnot na základě vzdálenosti
- Metody založené na hustotě
- Detekce vysokorozměrných odlehlých hodnot
- Příklady v Python
- Machine Learning případová studie
- Business pochopení problému
- Předzpracování dat
- Výběr a ladění algoritmu
- Vyhodnocení nálezů
- Rozvinutí
Požadavky
Znalost a povědomí Machine Learning základů
21 hodiny
Reference (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurz - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurz - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
