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.
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
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
Requisiti
Questo corso è destinato a persone che hanno già un background in scienza dei dati e statistica.
21 ore