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 di base dei metodi bayesiani
- Probabilità
- Probabilità congiunta
- Probabilità condizionale con teorema di Bayes
- L'ingenuo algoritmo di Bayes
- L'ingenua classificazione di Bayes
- Lo stimatore di Laplace
- Utilizzo di feature numeriche con Bayes ingenuo
2. Comprendere gli alberi decisionali
- Dividi e conquista
- L'algoritmo dell'albero decisionale C5.0
- Scegliere la migliore divisione
- Potatura dell'albero decisionale
3. Comprendere le reti neurali
- Dai neuroni biologici a quelli artificiali
- Funzioni di attivazione
- Topologia di rete
- Il numero di livelli
- La direzione del viaggio informativo
- Il numero di nodi in ogni livello
- Addestramento delle reti neurali con backpropagation
- Deep Learning
4. Comprendere le macchine vettoriali di supporto
- Classificazione con iperpiani
- Trovare il margine massimo
- Il caso dei dati linearmente separabili
- Il caso dei dati non separabili linearmente
- Usare i kernel per spazi non lineari
5. Informazioni sul clustering
- Clustering come attività di Machine Learning
- L'algoritmo k-means per il clustering
- Utilizzo della distanza per assegnare e aggiornare i cluster
- Scelta del numero appropriato di cluster
6. Misurazione delle prestazioni per la classificazione
- Utilizzo dei dati di previsione della classificazione
- Uno sguardo più da vicino alle matrici di confusione
- Utilizzo di matrici di confusione per misurare le prestazioni
- Oltre la precisione: altre misure delle prestazioni
- La statistica kappa
- Sensibilità e specificità
- Precisione e richiamo
- La misura F
- Visualizzazione dei compromessi in termini di prestazioni
- Curve ROC
- Stima delle prestazioni future
- Il metodo di holdout
- Convalida incrociata
- Bootstrap campionamento
7. Ottimizzazione dei modelli stock per prestazioni migliori
- Utilizzo del cursore per la regolazione automatica dei parametri
- Creazione di un modello ottimizzato semplice
- Personalizzazione del processo di ottimizzazione
- Migliorare le prestazioni del modello con il meta-learning
- Comprendere gli insiemi
- Insaccamento
- Aumentare
- Foreste casuali
- Addestramento di foreste casuali
- Valutazione delle prestazioni casuali della foresta
ARGOMENTI MINORI
8. Comprendere la classificazione utilizzando i vicini più vicini
- L'algoritmo kNN
- Calcolo della distanza
- Scegliere un k appropriato
- Preparazione dei dati per l'utilizzo con kNN
- Perché l'algoritmo kNN è pigro?
9. Comprendere le regole di classificazione
- Separare e conquistare
- L'algoritmo One Rule
- L'algoritmo RIPPER
- Regole dagli alberi decisionali
10. Comprendere la regressione
- Regressione lineare semplice
- Stima ordinaria dei minimi quadrati
- Correlazioni
- Regressione lineare multipla
11. Comprendere gli alberi di regressione e gli alberi modello
- Aggiunta della regressione agli alberi
12. Comprendere le regole di associazione
- L'algoritmo Apriori per l'apprendimento delle regole di associazione
- Misurare l'interesse delle regole: supporto e fiducia
- Costruire un insieme di regole con il principio di Apriori
Extra
- Spark/PySpark/MLlib e banditi multi-armati
21 ore
Recensioni (5)
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.
Lisa Fekade - Vodacom
Corso - Machine Learning
It's just great that all material including the exercises is on the same page and then it gets updated on the fly. The solution is revealed at the end. Cool! Also, I do appreciate that Krzysztof took extra effort to understand our problems and suggested us possible techniques.
Attila Nagy - L M ERICSSON LIMITED
Corso - Machine Learning
I liked the lab exercises.
