Struttura del corso
Introduzione
Questa sezione fornisce un'introduzione generale al momento in cui utilizzare l'"apprendimento automatico", cosa considerare e cosa significhi tutto ciò, inclusi pro e contro. Tipi di dati (strutturati/non strutturati/statici/streamed), validità/volume dei dati, analisi guidata dai dati rispetto a quella guidata dall'utente, modelli statistici rispetto a modelli di apprendimento automatico/sfide dell'apprendimento non supervisionato, trade-off bias-varianza, iterazione/valutazione, approcci alla convalida incrociata, supervisionato/non supervisionato/rinforzato.
ARGOMENTI PRINCIPALI
1. Comprensione di Bayes Naive
- Concetti base dei metodi bayesiani
- Probabilità
- Probabilità congiunta
- Probabilità condizionale con il teorema di Bayes
- L'algoritmo di Bayes Naive
- La classificazione di Bayes Naive
- Il estimatore di Laplace
- Utilizzo di caratteristiche numeriche con Bayes Naive
2. Comprensione degli alberi decisionali
- Dividi e conquista
- L'algoritmo dell'albero decisionale C5.0
- Scegliere la migliore suddivisione
- Potatura dell'albero decisionale
3. Comprensione delle reti neurali
- Dai neuroni biologici a quelli artificiali
- Funzioni di attivazione
- Topologia della rete
- Il numero di strati
- La direzione del flusso di informazioni
- Il numero di nodi in ogni strato
- Addestramento delle reti neurali con la retropropagazione
- Deep Learning
4. Comprensione delle Macchine a Vettori di Supporto
- Classificazione con iperpiani
- Trovare il margine massimo
- Il caso di dati separabili linearmente
- Il caso di dati non separabili linearmente
- Utilizzo dei kernel per spazi non lineari
5. Comprensione del clustering
- Il clustering come compito di apprendimento automatico
- L'algoritmo k-means per il clustering
- Utilizzo della distanza per assegnare e aggiornare i cluster
- Scegliere il numero appropriato di cluster
6. Misurazione delle prestazioni per la classificazione
- Lavorare con dati di previsione della classificazione
- Un'occhiata più da vicino alle matrici di confusione
- Utilizzo delle matrici di confusione per misurare le prestazioni
- Oltre l'accuratezza – altre misure di prestazioni
- La statistica kappa
- Sensibilità e specificità
- Precisione e recall
- La F-misura
- Visualizzazione dei compromessi nelle prestazioni
- Curve ROC
- Stima delle prestazioni future
- Il metodo holdout
- Convalida incrociata
- Campionamento bootstrap
7. Regolare i modelli standard per migliori prestazioni
- Utilizzo di caret per la regolazione automatizzata dei parametri
- Creazione di un modello semplice regolato
- Personalizzazione del processo di regolazione
- Miglioramento delle prestazioni del modello con il meta-apprendimento
- Comprensione degli ensemble
- Bagging
- Boosting
- Boschi casuali
- Addestramento dei boschi casuali
- Valutazione delle prestazioni dei boschi casuali
ARGOMENTI SECONDARI
8. Comprensione della classificazione utilizzando i vicini più prossimi
- L'algoritmo kNN
- Calcolo della distanza
- Scegliere un k appropriato
- Preparazione dei dati per l'uso con kNN
- Perché l'algoritmo kNN è pigro?
9. Comprensione delle regole di classificazione
- Dividi e regola
- L'algoritmo One Rule
- L'algoritmo RIPPER
- Regole dagli alberi decisionali
10. Comprensione della regressione
- Regressione lineare semplice
- Stima dei minimi quadrati ordinari
- Correlazioni
- Regressione lineare multipla
11. Comprensione degli alberi di regressione e degli alberi modello
- Aggiunta della regressione agli alberi
12. Comprensione delle regole di associazione
- L'algoritmo Apriori per l'apprendimento di regole di associazione
- Misurazione dell'interesse della regola – supporto e confidenza
- Costruzione di un insieme di regole con il principio di Apriori
Extra
- Spark/PySpark/MLlib e banditi multi-braccio
Requisiti
Conoscenza di Python
Recensioni (7)
Ho trovato il corso molto interessante e ho apprezzato la profonda approfondizione sull'argomento del Machine Learning. La bilancia tra teoria ed applicazioni pratiche è stata ottimale, in particolare le sessioni di programmazione hands-on. Il formatore ha fornito esempi stimolanti ed esercizi ben progettati che hanno arricchito l'esperienza di apprendimento. Il corso ha trattato una vasta gamma di argomenti e Abhi ha dimostrato un'eccellente competenza, rispondendo a tutte le domande con chiarezza ed efficacia.
Valentina
Corso - Machine Learning
Traduzione automatica
Ho apprezzato l'esercizio che mi ha aiutato a comprendere la teoria e applicarla passo dopo passo. Anche il modo in cui l'istruttore ha spiegato tutto in maniera semplice e chiara è stato molto utile. Era facile da seguire, anche se non sono molto esperto di Python, comunque non volevo perdere l'opportunità di imparare qualcosa che mi interessa davvero. Ho anche apprezzato la varietà delle informazioni fornite e la disponibilità dell'istruttore 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 con una direzione e una comprensione migliore della materia.
Cristina
Corso - Machine Learning
Traduzione automatica
Al termine della formazione, ho potuto vedere il caso d'uso reale degli argomenti presentati.
Daniel
Corso - Machine Learning
Traduzione automatica
Mi è piaciuto il ritmo, l'equilibrio tra teoria e pratica, i principali argomenti trattati e la capacità del formatore di bilanciare tutto. Apprezzo anche molto la vostra infrastruttura di formazione, molto pratica per lavorare con le VM
Andrei
Corso - Machine Learning
Traduzione automatica
Rendere il tutto breve e semplice. Creare intuizione e modelli visivi attorno ai concetti (grafico dell'albero decisionale, equazioni lineari, calcolo manuale di y_pred 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 l'ML. Grande rispetto per Pablo per aver fornito una vera introduzione a questo argomento, rendendosi evidente dopo tre giorni di formazione quanto sia vasto. Ho anche molto apprezzato l'idea delle macchine virtuali che hai offerto, con un'ottima latenza! Ha permesso a ogni partecipante di svolgere esperimenti a suo ritmo.
Silviu - DB Global Technology
Corso - Machine Learning
Traduzione automatica
Il modo pratico, vedere la teoria concretizzarsi in qualcosa di pratico è fantastico.
Lisa Fekade - Vodacom
Corso - Machine Learning
Traduzione automatica
