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 Machine Learning in Julia
Concetti introduttivi
- Apprendimento supervisionato e non supervisionato
- Cross validation e selezione del modello
- Compromesso tra bias e varianza
Regressione lineare e logistica
(NaiveBayes & GLM)
- Concetti introduttivi
- Adattamento di modelli di regressione lineare
- Diagnostica del modello
- Naive Bayes
- Adattamento di un modello di regressione logistica
- Diagnostica del modello
- Metodi di selezione del modello
Distanze
- Cosa è una distanza?
- Euclidea
- Cityblock (Manhattan)
- Cosine (Coseno)
- Correlazione
- Mahalanobis
- Hamming
- MAD (Median Absolute Deviation)
- RMS (Root Mean Square)
- Mean squared deviation (Scarto quadratico medio)
Riduzione della dimensionalità
-
Analisi delle Componenti Principali (PCA)
- PCA lineare
- PCA a nucleo (Kernel PCA)
- PCA probabilistica
- Analisi delle componenti indipendenti (ICA)
- Scaling multidimensionale
Metodi di regressione modificati
- Concetti di base della regolarizzazione
- Regressione Ridge
- Regressione Lasso
- Regressione con componenti principali (PCR)
Clustering
- K-means
- K-medoids
- DBSCAN
- Clustering gerarchico
- Algoritmo di clustering Markovian (MCL)
- Clustering Fuzzy C-means
Modelli standard di machine learning
(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM packages)
- Concetti del boosting gradientale
- K nearest neighbours (KNN)
- Modelli di alberi decisionali
- Modelli di random forest
- XGboost
- EvoTrees
- Macchine a vettori di supporto (SVM)
Reti neurali artificiali
(Pacchetto Flux)
- Discesa stocastica del gradiente e strategie
- Perceptron a più livelli: feedforward e backpropagation
- Regolarizzazione
- Reti neurali ricorrenti (RNN)
- Reti neurali convoluzionali (Convnets)
- Autoencoder
- Iperparametri
Requisiti
Questo corso è rivolto a persone che hanno già una formazione in data science e statistica.
21 ore
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
