Corso di formazione Machine Learning Algorithms in Julia

Struttura del corso

Algoritmi di apprendimento automatico in Julia

Concetti introduttivi

Apprendimento supervisionato e non supervisionato Convalida incrociata e selezione del modello Compromesso distorsione/varianza

Regressione lineare e logistica

(NaiveBayes e GLM)

Concetti introduttivi Adattamento di modelli di regressione lineare Diagnostica del modello Ingenuo Bayes Adattamento di un modello di regressione logistica Disgnostica del modello Metodi di selezione del modello

Spazi vuoti

Che cos'è una distanza? Euclideo Isolato Coseno Correlazione Mahalanobis Hamming MATTO RMS Deviazione quadratica media

Riduzione della dimensionalità

Analisi delle componenti principali (PCA) PCA lineare Kernel PCA PCA probabilistica CA indipendente Ridimensionamento multidimensionale

Metodi di regressione alterati

Concetti di base della regolarizzazione Regressione della cresta Regressione lazo Regressione delle componenti principali (PCR)

Clustering

K-mezzi K-medoidi DBSCAN Clustering gerarchico Algoritmo del cluster di Markov Clustering dei mezzi C fuzzy

Modelli di Machine Learning standard

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

Concetti di aumento del gradiente K Vicini più prossimi (KNN) Modelli di albero decisionale Modelli di foresta casuali XGboost Alberi EvoEvo Macchine a vettori di supporto (SVM)

Reti neurali artificiali

(Pacchetto flussante)

Discesa stocastica del gradiente e strategie Percettroni multistrato propagazione in avanti e indietro Regolarizzazione Reti neurali di ricorrenza (RNN) Reti neurali convoluzionali (Convnets) Encoder automatici Iperparametri