Aperçu du cours
Doel van de opleiding: De deelnemer leert tijdens deze opleiding verschillende algoritmen implementeren en begrijpt de best practices voor een machine learning (ML) project.
Prérequis
- Basiskennis van Python
- Basisprincipes van statistieken
Objectifs pédagogiques
- Begrijpen van de belangrijkste leer modellen
- Weten hoe een praktisch probleem abstract te modelleren
- In staat zijn om vergelijkingen te maken tussen verschillende leermethoden en de juiste methode voor de situatie te kiezen
- Implementeren en meten van de impact van de geïdentificeerde methoden op een probleem
- Verbindingen maken tussen verschillende leertechnieken
Public ciblé
- Ingenieurs
- Projectmanagers
Programme de formation
-
Big Data & Machine Learning
-
Presentatie van verschillende leer-algoritmen: gesuperviseerd, ongesuperviseerd en versterkt leren
-
Mijlpalen in de bouw van een voorspellend model
-
Detectie van uitbijters en behandeling van ontbrekende gegevens
-
Keuze van het algoritme en de variabelen van het algoritme
-
-
Modelbeoordelingsprocedures
-
Technieken voor hermonstering in leer-, validatie- en testsets
-
Test van de representativiteit van leerdata
-
Prestatiemaatstaven van voorspellende modellen
-
Confusiematrix, kostenmatrix en de ROC-curve en AUC
-
Praktische oefeningen: Evaluatie en vergelijking van verschillende algoritmen op de geleverde modellen
-
-
Voorspellende Modellen & Frequentistische benadering
-
Statistisch leren
-
Voorbereiding van gegevens & dimensionaliteitsreductie
-
Support vector machines & kernel-methoden
-
Vectorkwantificatie
-
Neurale netwerken & Deep Learning
-
Ensemble learning & beslissingsbomen
-
Bandit-algoritmen, optimisme tegenover onzekerheid
-
Praktische oefeningen: Creëren van algoritmefamilies met behulp van verschillende datasets
-
-
Bayesiaanse modellen en leren
-
Principes van inferentie en bayesiaans leren
-
Grafische modellen
-
Bayesiaanse methoden
-
Markov-modellen
-
Praktische oefeningen: Gebruik van bayesiaanse modellen en leren op verschillende datasets
-
-
Machine Learning in productie
-
Eigenschappen van gedistribueerde omgevingen
-
Presentatie van Spark en MLlib-tools voor implementatie
-
Cloudtechnologieën met Machine Learning
-
Modelonderhoud
-
Praktische oefeningen: Implementatie van een voorspellend model in productie met integratie in batchprocessen en verwerkingsstromen
-
Instructeur
