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
Introduzione
Questa sezione fornisce un'introduzione generale su quando utilizzare "machine learning", cosa dovrebbe essere considerato e cosa significa, inclusi i pro e i contro. Tipi di dati (strutturati/non strutturati/statici/in streaming), validità/volume dei dati, analisi basata sui dati vs analisi guidata dall'utente, modelli statistici vs. modelli di apprendimento automatico/sfide dell'apprendimento non supervisionato, trade-off bias-varianza, iterazione/valutazione, approcci di convalida incrociata, supervisionato/non supervisionato/rinforzo.
TEMI PRINCIPALI
1. Capire l'ingenuo Bayes
- Concetti base dei metodi bayesiani
- Probabilità
- Probabilità congiunta
- Probabilità condizionale con il teorema di Bayes
- L'algoritmo ingenuo Bayes
- La classificazione ingenua Bayes
- L'stimatore di Laplace
- Utilizzo delle caratteristiche numeriche con l'ingenuo Bayes
2. Comprendere gli alberi decisionali
- Divide et impera
- L'algoritmo degli alberi decisionali C5.0
- Scegliere la migliore suddivisione
- Potatura degli alberi decisionali
3. Comprendere le reti neurali
- Dai neuroni biologici a quelli artificiali
- Funzioni di attivazione
- Topologia della rete
- Il numero di strati
- La direzione del viaggio dell'informazione
- Il numero di nodi in ogni strato
- L'allenamento delle reti neurali con retrodiffusione
- Deep Learning
4. Comprendere le macchine vettoriali di supporto
- Classificazione con iperpiani
- Trovare il margine massimo
- Caso di dati linearmente separabili
- Caso di dati non linearmente separabili
- L'utilizzo dei kernel per spazi non lineari
5. Informazioni sul clustering
- Il clustering come compito di apprendimento automatico
- L'algoritmo k-means per il clustering
- L'uso della distanza per assegnare e aggiornare i cluster
- Scegliere il numero appropriato di cluster
6. Misurazione delle prestazioni per la classificazione
- Lavoro con dati di previsione della classificazione
- Una visione più ravvicinata delle matrici di confusione
- L'uso delle matrici di confusione per misurare le prestazioni
- Oltre l'accuratezza – altre misure delle prestazioni
- La statistica kappa
- Sensibilità e specificità
- Precisione e recall
- L'misura F
- Visualizzazione dei compromessi di prestazione
- Curve ROC
- Stima delle future prestazioni
- Il metodo holdout
- Convalida incrociata
- Bootstrap campionamento
7. Ottimizzazione dei modelli stock per prestazioni migliori
- L'uso di caret per il tuning automatico dei parametri
- Crea un modello semplice e ottimizzato
- Personalizzare il processo di tuning
- Migliorare le prestazioni del modello con l'apprendimento meta
- Capire gli ensembles
- Bagging
- Boosting
- Boschi casuali
- L'allenamento dei boschi casuali
- Valutazione delle prestazioni del bosco casuale
ARGOMENTI MINORI
8. Comprendere la classificazione utilizzando i vicini più vicini
- L'algoritmo kNN
- Calcolo della distanza
- Scegliere un k appropriato
- Preparare i dati per l'utilizzo con kNN
- Perché l'algoritmo kNN è pigro?
9. Comprendere le regole di classificazione
- Separa e conquista
- L'algoritmo One Rule
- L'algoritmo RIPPER
- Regole dagli alberi decisionali
10. Comprendere la regressione
- La regressione lineare semplice
- Stima dei minimi quadrati ordinari
- Coefficienti di correlazione
- La regressione lineare multipla
11. Comprendere gli alberi di regressione e gli alberi modello
- L'aggiunta della regressione agli alberi
12. Comprendere le regole di associazione
- L'algoritmo Apriori per l'apprendimento delle regole di associazione
- Misurare l'interesse della regola – supporto e fiducia
- Costruire un insieme di regole con il principio Apriori
Extra
- Spark/PySpark/MLlib e Multi-armed bandits
Requisiti
Python Conoscenza
21 ore
Recensioni (7)
Ho goduto molto il training e ho apprezzato l'approfondimento sul tema del Machine Learning. Ho trovato un equilibrio eccellente tra teoria ed applicazioni pratiche, soprattutto grazie alle sessioni di coding interattive. Il formatore ha fornito esempi coinvolgenti e esercizi ben progettati che hanno migliorato l'esperienza di apprendimento. Il corso ha coperto una vasta gamma di argomenti, ed Abhi ha dimostrato un'eccellente competenza rispondendo a tutte le domande con chiarezza e facilità.
Valentina
Corso - Machine Learning
Traduzione automatica
Ho apprezzato l'esercitazione che mi ha aiutato a comprendere la teoria e applicarla passo dopo passo. Nonché il modo in cui il formatore ha spiegato tutto in maniera semplice e chiara. Era facile seguire anche se non sono molto esperto con Python, comunque, non volevo perdere l'opportunità di imparare qualcosa che mi interessa davvero. Ho anche apprezzato la varietà di informazioni fornite e la disponibilità del formatore a spiegare e supportarci nella comprensione dei concetti. Dopo questo corso, i concetti di machine learning sono molto più chiari per me, e ora mi sento come se avessi una direzione e una migliore comprensione dell'argomento.
Cristina
Corso - Machine Learning
Traduzione automatica
Al termine del corso, ho potuto vedere l'utilizzo concreto dei temi presentati.
Daniel
Corso - Machine Learning
Traduzione automatica
Ho apprezzato il ritmo, ho trovato un buon equilibrio tra teoria e pratica, i principali argomenti trattati e la capacità del formatore di bilanciare tutto. Mi piace anche molto la tua infrastruttura di formazione, molto pratica per lavorare con le VM.
Andrei
Corso - Machine Learning
Traduzione automatica
Mantenerlo breve e semplice. Creazione di intuizioni e modelli visivi attorno ai concetti (grafico dell'albero decisionale, equazioni lineari, calcolo y_pred manualmente per dimostrare come funziona il modello).
Nicolae - DB Global Technology
Corso - Machine Learning
Traduzione automatica
Mi ha aiutato a raggiungere il mio obiettivo di comprendere il ML. Molto rispetto per Pablo per aver dato un'introduzione adeguata a questo argomento, dal momento che diventa ovvio dopo 3 giorni di formazione quanto sia vasto questo argomento. Mi è anche piaciuta MOLTO l'idea delle macchine virtuali che hai fornito, che avevano un'ottima latenza! Ha permesso a ogni coursant di fare esperimenti al proprio ritmo.
Silviu - DB Global Technology
Corso - Machine Learning
Traduzione automatica
The way practical part, seeing the theory materializing into something practical is great.
