Applied Machine Learning

• 對統計和數據分析有基本的瞭解
• Programming 具有 R、Python 或其他相關程式設計語言的經驗

觀眾

• 數據科學家
• 統計

本課程的重點是數據/模型準備、執行、事後分析和可視化的實踐方面。目的是為有興趣在工作中應用這些方法的參與者提供 Machine Learning 的實際應用。使用特定於行業的示例使培訓與受眾相關。

這種講師指導的現場培訓（在線或現場）面向希望在其專業領域中準備數據、構建模型和有效應用機器學習技術的中級數據科學家和統計學家。

在本次培訓結束時，參與者將能夠：

• 瞭解並實施各種 Machine Learning 演算法。
• 為 Machine Learning 應用程式準備數據和模型。
• 進行事後分析並有效地可視化結果。
• 將機器學習技術應用於現實世界的特定行業場景。

課程形式

• 互動講座和討論。
• 大量的練習和練習。
• 在即時實驗室環境中動手實施。

課程自定義選項

• 要申請本課程的定製培訓，請聯繫我們進行安排。

基礎 Machine Learning

• Machine Learning 概念和工作流簡介
• 監督學習與無監督學習
• 評估機器學習模型：指標和技術

貝葉斯方法

• 樸素貝葉斯和多項式模型
• 貝葉斯分類數據分析
• 貝葉斯圖形模型

回歸技術

• 線性回歸
• Logistic 回歸
• 廣義線性模型 （GLM）
• 混合模型和增材模型

降維

• 主成分分析 （PCA）
• 因數分析 （FA）
• 獨立成分分析 （ICA）

分類方法

• K 最近鄰 （KNN）
• 用於回歸與分類的支援向量機 （SVM）
• 提升和整合模型

Neural Networks

• 神經網路簡介
• 深度學習在分類和回歸中的應用
• 訓練和調整神經網路

高級演算法和模型

• 隱瑪律可夫模型 （HMM）
• 狀態空間模型
• EM 演算法

聚類技術

• 聚類和無監督學習簡介
• 流行的聚類演算法：K-Means、Hierarchical Clustering
• 集群的使用案例和實際應用

總結和後續步驟