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
Fonctionnalités
- 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
Détails
- 5 Sections
- 27 Lessons
- 28 Hours
Expand all sectionsCollapse all sections
- Big Data & Machine Learning4
- Modelbeoordelingsprocedures5
- 2.1Technieken voor hermonstering in leer-, validatie- en testsets
- 2.2Test van de representativiteit van leerdata
- 2.3Prestatiemaatstaven van voorspellende modellen
- 2.4Confusiematrix, kostenmatrix en de ROC-curve en AUC
- 2.5Praktische oefeningen: Evaluatie en vergelijking van verschillende algoritmen op de geleverde modellen
- Voorspellende Modellen & Frequentistische benadering8
- 3.1Statistisch leren
- 3.2Voorbereiding van gegevens & dimensionaliteitsreductie
- 3.3Support vector machines & kernel-methoden
- 3.4Vectorkwantificatie
- 3.5Neurale netwerken & Deep Learning
- 3.6Ensemble learning & beslissingsbomen
- 3.7Bandit-algoritmen, optimisme tegenover onzekerheid
- 3.8Praktische oefeningen: Creëren van algoritmefamilies met behulp van verschillende datasets
- Bayesiaanse modellen en leren5
- Machine Learning in productie5
Instructeur
