- Podstawowe zrozumienie statystyki i analizy danych
- Programming doświadczenie w R, Python lub innych odpowiednich językach programowania
Publiczność
- Naukowcy zajmujący się danymi
- Statystycy
Kurs kładzie nacisk na praktyczne aspekty przygotowania danych/modeli, wykonania, analizy post hoc i wizualizacji. Celem jest przekazanie praktycznych zastosowań Machine Learning uczestnikom zainteresowanym zastosowaniem metod w pracy. Aby szkolenie było odpowiednie dla odbiorców, wykorzystywane są konkretne przykłady sektorowe.
To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest skierowane do średnio zaawansowanych naukowców zajmujących się danymi i statystyków, którzy chcą przygotowywać dane, budować modele i skutecznie stosować techniki uczenia maszynowego w swoich dziedzinach zawodowych.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć i wdrożyć różne algorytmy Machine Learning.
- Przygotowywać dane i modele dla aplikacji uczenia maszynowego.
- Przeprowadzać analizy post hoc i skutecznie wizualizować wyniki.
- Zastosować techniki uczenia maszynowego do rzeczywistych scenariuszy sektorowych.
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.
Podstawy Machine Learning
- Wprowadzenie do koncepcji i przepływów pracy Machine Learning
- Uczenie nadzorowane a nienadzorowane
- Ocena modeli uczenia maszynowego: metryki i techniki
Metody bayesowskie
- Naiwny Bayes i modele wielomianowe
- Bayesowska analiza danych kategorycznych
- Graficzne modele bayesowskie
Techniki regresji
- Regresja liniowa
- Regresja logistyczna
- Uogólnione modele liniowe (GLM)
- Modele mieszane i modele addytywne
Redukcja wymiarowości
- Analiza głównych składowych (PCA)
- Analiza czynnikowa (FA)
- Analiza składowych niezależnych (ICA)
Metody klasyfikacji
- K-Najbliżsi Sąsiedzi (KNN)
- Maszyny wektorów nośnych (SVM) do regresji i klasyfikacji
- Wzmacnianie i modele zespołowe
Neural Networks
- Wprowadzenie do sieci neuronowych
- Zastosowania głębokiego uczenia w klasyfikacji i regresji
- Szkolenie i dostrajanie sieci neuronowych
Zaawansowane algorytmy i modele
- Ukryte modele Markowa (HMM)
- Modele przestrzeni stanów
- Algorytm EM
Techniki klastrowania
- Wprowadzenie do klastrowania i uczenia bez nadzoru
- Popularne algorytmy klastrowania: K-Means, klastrowanie hierarchiczne
- Przypadki użycia i praktyczne zastosowania klastrowania
Podsumowanie i kolejne kroki
United Arab Emirates - Applied Machine Learning
Qatar - Applied Machine Learning
Egypt - Applied Machine Learning
Saudi Arabia - Applied Machine Learning
South Africa - Applied Machine Learning
Brasil - Aprendizagem de Máquinas (Machine Learning) Aplicado
Canada - Applied Machine Learning
USA - Applied Machine Learning
Österreich - Angewandtes Maschinelles Lernen
Schweiz - Angewandtes Maschinelles Lernen
Deutschland - Angewandtes Maschinelles Lernen
Czech Republic - Applied Machine Learning
Denmark - Applied Machine Learning
Estonia - Applied Machine Learning
Finland - Applied Machine Learning
Greece - Applied Machine Learning
Magyarország - Applied Machine Learning
Ireland - Applied Machine Learning
Luxembourg - Applied Machine Learning
Latvia - Applied Machine Learning
España - Aprendizaje Automático Aplicado
Italia - Applied Machine Learning
Lithuania - Applied Machine Learning
Nederland - Applied Machine Learning
Norway - Applied Machine Learning
Portugal - Aprendizagem de Máquinas (Machine Learning) Aplicado
România - Applied Machine Learning
Sverige - Applied Machine Learning
Türkiye - Applied Machine Learning
Malta - Applied Machine Learning
Belgique - Applied Machine Learning
France - Applied Machine Learning
Australia - Applied Machine Learning
Malaysia - Applied Machine Learning
New Zealand - Applied Machine Learning
Philippines - Applied Machine Learning
Singapore - Applied Machine Learning
Thailand - Applied Machine Learning
Vietnam - Applied Machine Learning
India - Applied Machine Learning
Argentina - Aprendizaje Automático Aplicado
Chile - Aprendizaje Automático Aplicado
Costa Rica - Aprendizaje Automático Aplicado
Ecuador - Aprendizaje Automático Aplicado
Guatemala - Aprendizaje Automático Aplicado
Colombia - Aprendizaje Automático Aplicado
México - Aprendizaje Automático Aplicado
Panama - Aprendizaje Automático Aplicado
Peru - Aprendizaje Automático Aplicado
Uruguay - Aprendizaje Automático Aplicado
Venezuela - Aprendizaje Automático Aplicado
Polska - Applied Machine Learning
United Kingdom - Applied Machine Learning
South Korea - Applied Machine Learning
Pakistan - Applied Machine Learning
Sri Lanka - Applied Machine Learning
Bulgaria - Applied Machine Learning
Bolivia - Aprendizaje Automático Aplicado
Indonesia - Applied Machine Learning
Kazakhstan - Applied Machine Learning
Moldova - Applied Machine Learning
Morocco - Applied Machine Learning
Tunisia - Applied Machine Learning
Kuwait - Applied Machine Learning
Oman - Applied Machine Learning
Slovakia - Applied Machine Learning
Kenya - Applied Machine Learning
Nigeria - Applied Machine Learning
Botswana - Applied Machine Learning
Slovenia - Applied Machine Learning
Croatia - Applied Machine Learning
Serbia - Applied Machine Learning
Bhutan - Applied Machine Learning