Applied Machine Learning

• 对统计和数据分析有基本的了解
• Programming 具有 R、Python 或其他相关程式设计语言的经验

观众

• 数据科学家
• 统计

本课程的重点是数据/模型准备、执行、事后分析和可视化的实践方面。目的是为有兴趣在工作中应用这些方法的参与者提供 Machine Learning 的实际应用。使用特定于行业的示例使培训与受众相关。

这种讲师指导的现场培训（在线或现场）面向希望在其专业领域中准备数据、构建模型和有效应用机器学习技术的中级数据科学家和统计学家。

在本次培训结束时，参与者将能够：

• 了解并实施各种 Machine Learning 演算法。
• 为 Machine Learning 应用程式准备数据和模型。
• 进行事后分析并有效地可视化结果。
• 将机器学习技术应用于现实世界的特定行业场景。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在即时实验室环境中动手实施。

课程自定义选项

• 要申请本课程的定制培训，请联系我们进行安排。

基础 Machine Learning

• Machine Learning 概念和工作流简介
• 监督学习与无监督学习
• 评估机器学习模型：指标和技术

贝叶斯方法

• 朴素贝叶斯和多项式模型
• 贝叶斯分类数据分析
• 贝叶斯图形模型

回归技术

• 线性回归
• Logistic 回归
• 广义线性模型 （GLM）
• 混合模型和增材模型

降维

• 主成分分析 （PCA）
• 因数分析 （FA）
• 独立成分分析 （ICA）

分类方法

• K 最近邻 （KNN）
• 用于回归与分类的支援向量机 （SVM）
• 提升和整合模型

Neural Networks

• 神经网路简介
• 深度学习在分类和回归中的应用
• 训练和调整神经网路

高级演算法和模型

• 隐玛律可夫模型 （HMM）
• 状态空间模型
• EM 演算法

聚类技术

• 聚类和无监督学习简介
• 流行的聚类演算法：K-Means、Hierarchical Clustering
• 集群的使用案例和实际应用

总结和后续步骤