Struttura del corso

  1. Pre-elaborazione dei dati

    1. Data Cleaning
    2. Integrazione e trasformazione dei dati
    3. Riduzione dei dati
    4. Discretizzazione e generazione di gerarchie concettuali
  2. Inferenza statistica

    1. Distribuzioni di probabilità, Variabili aleatorie, Teorema del limite centrale
    2. Campionamento
    3. Intervalli di confidenza
    4. Inferenza statistica
    5. Verifica delle ipotesi
  3. Regressione lineare multivariata

    1. Specificazione
    2. Selezione sottoinsieme
    3. Valutazione
    4. Convalida
    5. Predizione
  4. Metodi di classificazione

    1. Regressione logistica
    2. Analisi discriminante lineare
    3. K-Vicini più prossimi
    4. Naive Bayes
    5. Confronto dei metodi di classificazione
  5. Neural Networks

    1. Adattamento delle reti neurali
    2. Problemi relativi all'addestramento delle reti neurali
  6. Alberi decisionali

    1. Alberi di regressione
    2. Alberi di classificazione
    3. Alberi e modelli lineari
  7. Insaccamento, Random Forests, Potenziamento

    1. Insaccamento
    2. Random Forests
    3. Aumentare
  8. Supporta macchine vettoriali e dischi flessibili

    1. Classificatore di margine massimo
    2. Supporta i classificatori vettoriali
    3. Supporta macchine vettoriali
    4. 2 e più classi SVM
    5. Relazione con la regressione logistica
  9. Analisi dei componenti principali

  10. Clustering

    1. Clustering K-means
    2. Raggruppamento dei K-medioidi
    3. Clustering gerarchico
    4. Clustering basato sulla densità
  11. Valutazione e selezione del modello

    1. Bias, varianza e complessità del modello
    2. Errore di previsione nel campione
    3. L'approccio bayesiano
    4. Convalida incrociata
    5. Bootstrap Metodi
 28 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative