Machine Learning Algorithms in Julia

Ten kurs jest przeznaczony dla osób, które mają już doświadczenie w nauce o danych i statystyce.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest skierowane do osób, które mają już doświadczenie w nauce o danych i statystyce;

Format kursu

• Interaktywny wykład i dyskusja.
• Ćwiczenia i praktyka.

Opcje dostosowywania kursu

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Algorytmy uczenia maszynowego w Julia

Pojęcia wprowadzające

Uczenie nadzorowane i uczenie bez nadzoru Walidacja krzyżowa i wybór modelu Kompromis błędu systematycznego i wariancji

Liniowy i tłum; regresja logistyczna

(NaiveBayes & GLM)

Pojęcia wprowadzające Dopasowywanie modeli regresji liniowej Diagnostyka modelu Naiwny Bayes Dopasowywanie modelu regresji logistycznej Diagnostyka modelu Metody wyboru modelu

Odległości

Czym jest odległość? Euklidesowa Cityblock Cosinus Korelacja Mahalanobis Hamming MAD RMS Odchylenie średniokwadratowe

Redukcja wymiarowości

Analiza głównych składowych (PCA) Liniowa PCA Kernel PCA Probabilistyczna PCA Niezależna CA

Podstawowe pojęcia regularyzacji Regresja grzbietowa Regresja lasso Regresja składowych głównych (PCR)

Klastrowanie

K-średnie K-medoidy DBSCAN Klastrowanie hierarchiczne Algorytm klastrów Markowa Klastrowanie rozmyte C-średnich

Standardowe modele uczenia maszynowego

(pakiety NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)

Koncepcje wzmocnienia gradientowego K najbliższych sąsiadów (KNN) Modele drzewa decyzyjnego Modele lasów losowych XGboost EvoTrees Maszyny wektorów nośnych (SVM)

Sztuczne sieci neuronowe

(Pakiet Flux)

Stochastyczne zejście gradientowe & strategie Perceptrony wielowarstwowe z posuwem do przodu & propagacja wsteczna Regulacja Sieci neuronowe z rekurencją (RNN) Konwolucyjne sieci neuronowe (Convnets) Autoenkodery Hiperparametry