Plan du cours
Apprentissage automatique
Introduction à Machine Learning
- Applications de l'apprentissage automatique Apprentissage supervisé et apprentissage non supervisé Algorithmes d'apprentissage automatique Classification de régression Clustering Recommander Détection d'anomalies du système Reinforcement Learning
Régression
- Régression simple et multiple Méthode des moindres carrés Estimation des coefficients Évaluation de l'exactitude des estimations de coefficients Évaluation de l'exactitude du modèle Analyse post-estimation Autres considérations dans les modèles de régression Prédicteurs qualitatifs Extensions des modèles linéaires Problèmes potentiels Compromis biais-variance [sous-ajustement /over-fitting] pour les modèles de régression
Méthodes de rééchantillonnage
- Validation croisée L'approche de l'ensemble de validation Validation croisée Leave-One-Out Validation croisée k-Fold Compromis biais-variance pour k-Fold The Bootstrap
Sélection et régularisation du modèle
- Sélection de sous-ensemble [Meilleure sélection de sous-ensemble, sélection par étapes, choix du modèle optimal] Méthodes de retrait/régularisation [Régression de crête, Lasso et filet élastique] Sélection du paramètre de réglage Méthodes de réduction de dimension Régression des composantes principales Moindres carrés partiels
Classification
- Régression logistique La fonction de coût du modèle logistique Estimation des coefficients Faire des prédictions Odds Ratio Matrices d'évaluation des performances [Sensibilité/Spécificité/PPV/NPV, Précision, courbe ROC, etc.] Régression logistique multiple Régression logistique pour > 2 classes de réponse Régression logistique régularisée
Feed forward ANN.
Structures des réseaux à rétroaction multicouche Algorithme de rétro-propagation Rétro-propagation - formation et convergence approximation fonctionnelle avec rétro-propagation Problèmes pratiques et de conception de l'apprentissage de la rétro-propagation
- Deep Learning
Intelligence artificielle et Deep Learning Softmax Regression Apprentissage autodidacte Démonstrations et applications de réseaux profonds
- Laboratoire:
Premiers pas avec R
- Introduction aux commandes et bibliothèques de base R Manipulation des données Importation et exportation de données Résumés graphiques et numériques Fonctions d'écriture
Régression
Termes d'interaction de régression linéaire simple et multiple Transformations non linéaires Régression de variable factice Validation croisée et Bootstrap Méthodes de sélection de sous-ensembles Pénalisation [Ridge, Lasso, Elastic Net]
- Classification
Régression logistique, LDA, QDA et KNN, prise en charge du rééchantillonnage et de la régularisation Rééchantillonnage et régularisation des machines vectorielles
- Note:
Pour les algorithmes ML, des études de cas seront utilisées pour discuter de leur application, de leurs avantages et de leurs problèmes potentiels. L'analyse de différents ensembles de données sera effectuée à l'aide de R
Pré requis
Une connaissance de base des concepts statistiques est souhaitable.
Nos Clients témoignent (4)
Nous avons eu une vue d'ensemble sur Machine Learning, Neural Networks, l'IA avec des exemples pratiques.
Catalin - DB Global Technology SRL
Formation - Machine Learning and Deep Learning
Traduction automatique
Dernier jour avec l'IA
Ovidiu - DB Global Technology SRL
Formation - Machine Learning and Deep Learning
Traduction automatique
Les exemples qui ont été choisis, partagés avec nous et expliqués
Cristina - DB Global Technology SRL
Formation - Machine Learning and Deep Learning
Traduction automatique
Coverage and depth of topics