Course Code: mldt
Duration: 21 hours
Prerequisites:
  • Pożądana jest podstawowa znajomość pojęć statystycznych

Odbiorcy

  • Naukowcy zajmujący się danymi
  • Inżynierowie uczenia maszynowego
  • Programiści zainteresowani sztuczną inteligencją
  • Badacze zajmujący się modelowaniem danych
  • Specjaliści chcący zastosować uczenie maszynowe w biznesie lub przemyśle
Overview:

Machine Learning i Deep Learning są kluczowymi obszarami Artificial Intelligence (AI), które umożliwiają systemom uczenie się wzorców z danych i podejmowanie inteligentnych decyzji.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla początkujących i średnio zaawansowanych profesjonalistów, którzy chcą rozwinąć swoją wiedzę na temat algorytmów uczenia maszynowego, technik uczenia głębokiego i podejmowania decyzji opartych na sztucznej inteligencji. Kurs zapewnia praktyczne doświadczenie z koncepcjami uczenia maszynowego, modelami uczenia głębokiego i praktycznymi implementacjami przy użyciu R.

Pod koniec tego szkolenia uczestnicy będą mogli

  • Zrozumieć podstawy uczenia maszynowego i głębokiego uczenia się.
  • Zastosować różne algorytmy uczenia maszynowego do regresji, klasyfikacji, klastrowania i wykrywania anomalii.
  • Korzystać z architektur głębokiego uczenia, takich jak sztuczne sieci neuronowe (ANN).
  • Wdrażanie nadzorowanych i nienadzorowanych modeli uczenia się.
  • Ocena wydajności modelu i optymalizacja hiperparametrów.
  • Wykorzystanie R do analizy danych, wizualizacji i aplikacji uczenia maszynowego.

Format kursu

  • Interaktywny wykład i dyskusja.
  • Wiele ćwiczeń i praktyki.
  • Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

  • Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.
Course Outline:

Machine Learning

Wprowadzenie do Machine Learning

  • Zastosowania uczenia maszynowego
  • Uczenie nadzorowane a nienadzorowane
  • Algorytmy uczenia maszynowego
    • Regresja
    • Klasyfikacja
    • Klasteryzacja
    • System rekomendacji
    • Wykrywanie anomalii
    • Reinforcement Learning

Regresja

  • Regresja prosta i wielokrotna
    • Metoda najmniejszych kwadratów
    • Szacowanie współczynników
    • Ocena dokładności oszacowań współczynników
    • Ocena dokładności modelu
    • Analiza po oszacowaniu
    • Inne aspekty w modelach regresji
    • Jakościowe predyktory
    • Rozszerzenia modeli liniowych
    • Potencjalne problemy
    • Kompromis błędu systematycznego i wariancji (niedopasowanie/nadmierne dopasowanie) dla modeli regresji

Metody ponownego próbkowania

  • Walidacja krzyżowa
  • Podejście oparte na zestawie walidacyjnym
  • Walidacja krzyżowa typu Leave-One-Out
  • K-krotna weryfikacja krzyżowa
  • Kompromis błędu systematycznego i wariancji dla k-Fold
  • The Bootstrap

Wybór modelu i regularyzacja

  • Wybór podzbioru
    • Wybór najlepszego podzbioru
    • Wybór stopniowy
    • Wybór optymalnego modelu
  • Metody zmniejszania/Regularyzacja
    • Regresja grzbietowa
    • Lasso i sieć elastyczna
  • Wybór parametru dostrajania
  • Metody redukcji wymiaru
    • Regresja składowych głównych
    • Częściowe najmniejsze kwadraty

Klasyfikacja

Regresja logistyczna

  • Funkcja kosztu modelu logistycznego
  • Szacowanie współczynników
  • Tworzenie prognoz
  • Współczynnik szans
  • Macierze oceny wydajności
    • Czułość/Szczególność/PPV/NPV
    • Precyzja
    • Krzywa ROC
  • Wielokrotna regresja logistyczna
  • Regresja logistyczna dla >2 klas odpowiedzi
  • Uregulowana regresja logistyczna

Liniowa analiza dyskryminacyjna

  • Wykorzystanie twierdzenia Bayesa do klasyfikacji
  • Liniowa analiza dyskryminacyjna dla p=1
  • Liniowa analiza dyskryminacyjna dla p>1

Kwadratowa analiza dyskryminacyjna

K-najbliżsi sąsiedzi

  • Klasyfikacja z nieliniowymi granicami decyzyjnymi

Maszyny wektorów nośnych

  • Cel optymalizacji
  • Klasyfikator z maksymalnym marginesem
  • Jądra
  • Klasyfikacja jeden-na-jeden
  • Klasyfikacja "jeden przeciw wszystkim

Porównanie metod klasyfikacji

Deep Learning

Wprowadzenie do Deep Learning

Sztuczne Neural Networks (ANN)

  • Neurony logiczne i sztuczne neurony Bio
  • Hipoteza nieliniowa
  • Reprezentacja modelu
  • Przykłady i intuicje
  • Funkcja transferu/funkcje aktywacji
  • Typowe klasy architektur sieciowych
    • Feedforward ANN
    • Wielowarstwowe sieci typu feedforward
  • Algorytm wstecznej propagacji
  • Propagacja wsteczna - trening i zbieżność
  • Aproksymacja funkcjonalna z wykorzystaniem wstecznej propagacji
  • Kwestie praktyczne i projektowe związane z uczeniem wstecznym

Deep Learning

  • Sztuczna inteligencja i Deep Learning
  • Regresja Softmax
  • Samouczenie się
  • Sieci głębokie
  • Demonstracje i zastosowania

Laboratorium:

Pierwsze kroki z R

  • Wprowadzenie do języka R
  • Podstawowe polecenia i biblioteki
  • Manipulacja danymi
  • Importowanie i eksportowanie danych
  • Podsumowania graficzne i liczbowe
  • Pisanie funkcji

Regresja

  • Prosta i wielokrotna regresja liniowa
  • Warunki interakcji
  • Przekształcenia nieliniowe
  • Regresja zmiennej zastępczej
  • Walidacja krzyżowa i Bootstrap
  • Metody selekcji podzbiorów
  • Penalizacja (Ridge, Lasso, Elastic Net)

Klasyfikacja

  • Regresja logistyczna, LDA, QDA i KNN
  • Ponowne próbkowanie i regularyzacja
  • Maszyna wektorów nośnych

Uwagi:

  • W przypadku algorytmów ML zostaną wykorzystane studia przypadków w celu omówienia ich zastosowania, zalet i potencjalnych problemów.
  • Analiza różnych zestawów danych zostanie przeprowadzona przy użyciu R.
Sites Published:

United Arab Emirates - Machine Learning and Deep Learning

Qatar - Machine Learning and Deep Learning

Egypt - Machine Learning and Deep Learning

Saudi Arabia - Machine Learning and Deep Learning

South Africa - Machine Learning and Deep Learning

Brasil - Machine Learning and Deep Learning

Canada - Machine Learning and Deep Learning

中国 - Machine Learning and Deep Learning

香港 - Machine Learning and Deep Learning

澳門 - Machine Learning and Deep Learning

台灣 - Machine Learning and Deep Learning

USA - Machine Learning and Deep Learning

Österreich - Machine Learning and Deep Learning

Schweiz - Machine Learning and Deep Learning

Deutschland - Machine Learning and Deep Learning

Czech Republic - Machine Learning and Deep Learning

Denmark - Machine Learning and Deep Learning

Estonia - Machine Learning and Deep Learning

Finland - Machine Learning and Deep Learning

Greece - Machine Learning and Deep Learning

Magyarország - Machine Learning and Deep Learning

Ireland - Machine Learning and Deep Learning

Luxembourg - Machine Learning and Deep Learning

Latvia - Machine Learning and Deep Learning

España - Aprendizaje Automático y Aprendizaje Profundo

Italia - Machine Learning and Deep Learning

Lithuania - Machine Learning and Deep Learning

Nederland - Machine Learning and Deep Learning

Norway - Machine Learning and Deep Learning

Portugal - Machine Learning and Deep Learning

România - Machine Learning and Deep Learning

Sverige - Machine Learning and Deep Learning

Türkiye - Machine Learning and Deep Learning

Malta - Machine Learning and Deep Learning

Belgique - Machine Learning et Deep Learning

France - Machine Learning et Deep Learning

日本 - Machine Learning and Deep Learning

Australia - Machine Learning and Deep Learning

Malaysia - Machine Learning and Deep Learning

New Zealand - Machine Learning and Deep Learning

Philippines - Machine Learning and Deep Learning

Singapore - Machine Learning and Deep Learning

Thailand - Machine Learning and Deep Learning

Vietnam - Machine Learning and Deep Learning

India - Machine Learning and Deep Learning

Argentina - Aprendizaje Automático y Aprendizaje Profundo

Chile - Aprendizaje Automático y Aprendizaje Profundo

Costa Rica - Aprendizaje Automático y Aprendizaje Profundo

Ecuador - Aprendizaje Automático y Aprendizaje Profundo

Guatemala - Aprendizaje Automático y Aprendizaje Profundo

Colombia - Aprendizaje Automático y Aprendizaje Profundo

México - Aprendizaje Automático y Aprendizaje Profundo

Panama - Aprendizaje Automático y Aprendizaje Profundo

Peru - Aprendizaje Automático y Aprendizaje Profundo

Uruguay - Aprendizaje Automático y Aprendizaje Profundo

Venezuela - Aprendizaje Automático y Aprendizaje Profundo

Polska - Machine Learning and Deep Learning

United Kingdom - Machine Learning and Deep Learning

South Korea - Machine Learning and Deep Learning

Pakistan - Machine Learning and Deep Learning

Sri Lanka - Machine Learning and Deep Learning

Bulgaria - Machine Learning and Deep Learning

Bolivia - Aprendizaje Automático y Aprendizaje Profundo

Indonesia - Machine Learning and Deep Learning

Kazakhstan - Machine Learning and Deep Learning

Moldova - Machine Learning and Deep Learning

Morocco - Machine Learning and Deep Learning

Tunisia - Machine Learning and Deep Learning

Kuwait - Machine Learning and Deep Learning

Oman - Machine Learning and Deep Learning

Slovakia - Machine Learning and Deep Learning

Kenya - Machine Learning and Deep Learning

Nigeria - Machine Learning and Deep Learning

Botswana - Machine Learning and Deep Learning

Slovenia - Machine Learning and Deep Learning

Croatia - Machine Learning and Deep Learning

Serbia - Machine Learning and Deep Learning

Bhutan - Machine Learning and Deep Learning

Nepal - Machine Learning and Deep Learning

Uzbekistan - Machine Learning and Deep Learning