Détails
- 5 Sections
- 27 Lessons
- 28 Hours
Expand all sectionsCollapse all sections
- Big Data & Machine Learning4
- 1.1Presentatie van verschillende leer-algoritmen: gesuperviseerd, ongesuperviseerd en versterkt leren
- 1.2Mijlpalen in de bouw van een voorspellend model
- 1.3Detectie van uitbijters en behandeling van ontbrekende gegevens
- 1.4Keuze van het algoritme en de variabelen van het algoritme
- 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
- 4.1Principes van inferentie en bayesiaans leren
- 4.2Grafische modellen
- 4.3Bayesiaanse methoden
- 4.4Markov-modellen
- 4.5Praktische oefeningen: Gebruik van bayesiaanse modellen en leren op verschillende datasets
- Machine Learning in productie5
- 5.1Eigenschappen van gedistribueerde omgevingen
- 5.2Presentatie van Spark en MLlib-tools voor implementatie
- 5.3Cloudtechnologieën met Machine Learning
- 5.4Modelonderhoud
- 5.5Praktische oefeningen: Implementatie van een voorspellend model in productie met integratie in batchprocessen en verwerkingsstromen
