Course Outline

Inleiding tot Neural Networks

Inleiding tot toegepast Machine Learning

  • Statistisch leren versus machinaal leren
  • Iteratie en evaluatie
  • Afweging van bias en variantie

Machine Learning met Python

  • Keuze uit bibliotheken
  • Extra hulpmiddelen

Concepten en toepassingen voor machinaal leren

Regressie

  • Lineaire regressie
  • Generalisaties en niet-lineariteit
  • Gebruiksgevallen

Classificatie

  • Bayesiaanse opfrisser
  • Naïeve Bayes
  • Logistieke regressie
  • K-dichtstbijzijnde buren
  • Use Cases

Kruisvalidatie en herbemonstering

  • Kruisvalidatiebenaderingen
  • Bootstrap
  • Use Cases

Ongecontroleerd leren

  • K-betekent clustering
  • Voorbeelden
  • Uitdagingen van leren zonder toezicht en verder dan K-middelen

Korte introductie tot NLP-methoden

  • tokenisatie van woorden en zinnen
  • tekst classificatie
  • sentiment analyse
  • spellingscorrectie
  • informatie-extractie
  • ontleden
  • extractie betekent
  • vraag beantwoorden

Kunstmatige Intelligentie & Deep Learning

Technisch overzicht

  • R v/s Python
  • Caffe versus tensorstroom
  • Diverse Machine Learning Bibliotheken

Casestudies uit de sector

Requirements

  1. Moet basiskennis hebben van de bedrijfsvoering en ook technische kennis
  2. Basiskennis van software en systemen is vereist
  3. Basiskennis van Statistics (in Excel-niveaus)
  21 Hours

Getuigenissen (1)

Related Courses

Related Categories