Machine Learning Algorithms in Julia

本課程適用於已經具有數據科學和統計學背景的人。

本課程為講師指導的培訓（線上或線下），適合已有數據科學和統計學背景的人士。

課程形式

• 互動式講座與討論。
• 練習與實作。

課程自定義選項

• 如需為本課程安排定制培訓，請聯繫我們進行安排。

Julia 中的機器學習演算法

介紹性概念

監督學習和無監督學習 交叉驗證和模型選擇 偏差/方差權衡

線性和邏輯回歸

（樸素貝葉斯和GLM）

介紹性概念 擬合線性回歸模型 模型診斷 樸素貝葉斯 擬合邏輯回歸模型 模型分析 選型方法

距離

什麼是距離？ 歐氏 Cityblock 街區 餘弦 相關 馬哈拉諾比斯 漢明 狂 有效值 均方偏差

降維

主成分分析（PCA） 線性主成分合成材料 內核 PCA 概率 PCA 獨立 CA

正則化的基本概念 嶺回歸 套索回歸 主成分回歸 （PCR）

聚類

K-均值 K-中心體 DBSCAN掃描 分層聚類 瑪律可夫聚類演算法 模糊 C 均值聚類

標準機器學習模型

（NearestNeighbors、DecisionTree、LightGBM、XGBoost、EvoTrees、LIBSVM 包）

梯度提升概念 K 最近鄰 （KNN） 決策樹模型 隨機森林模型 XGboost EvoTrees（沃樹） 支援向量機 （SVM）

人工神經網路

（助焊劑包）

隨機梯度下降和策略 多層感知器前向饋電和後向傳播 正規化 遞迴神經網路 （RNN） 捲積神經網路 （Convnets） 自動編碼器 超參數