Course Outline

Inleiding tot datamining en Machine Learning

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

Regressie

  • Lineaire regressie
  • Generalisaties en niet-lineariteit
  • Opdrachten

Classificatie

  • Bayesiaanse opfrisser
  • Naïeve Bayes
  • Dicriminante analyse
  • Logistieke regressie
  • K-dichtstbijzijnde buren
  • Ondersteuning van vectormachines
  • Neurale netwerken
  • Beslissingsbomen
  • Opdrachten

Kruisvalidatie en herbemonstering

  • Kruisvalidatiebenaderingen
  • Bootstrap
  • Opdrachten

Ongecontroleerd leren

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

Geavanceerde onderwerpen

  • Ensemble-modellen
  • Gemengde modellen
  • Stimuleren
  • Voorbeelden

Multidimensionale reductie

  • Factoren analyse
  • Hoofdcomponentenanalyse
  • Voorbeelden

Requirements

Deze cursus maakt deel uit van de Data Scientist-vaardigheden (domein: analytische technieken en methoden)

  14 Hours
 

Getuigenissen (1)

Related Courses

Related Categories