Course Outline
Inleiding tot toegepast Machine Learning
Statistisch leren versus machinaal leren Iteratie en evaluatie Afweging van bias en variantie Begeleid versus onbewaakt leren Problemen opgelost met Machine Learning Train Validation Test – ML-workflow om overfitting te voorkomen Workflow van Machine Learning Machine learning-algoritmen Het kiezen van het juiste algoritme voor het probleem
Evaluatie van algoritmen
Numerieke voorspellingen evalueren Nauwkeurigheidsmetingen: ME, MSE, RMSE, MAPE Parameter- en voorspellingsstabiliteit
Evaluatie van classificatie-algoritmen Nauwkeurigheid en de problemen ervan
De verwarringsmatrixOnevenwichtig klassenprobleemVisualisatie van modelprestaties WinstcurveROC-curve
Lift-curveModelselectieModelafstemming – zoekstrategieën voor rastersGegevensvoorbereiding voor modellering
Data-import en -opslag Begrijp de data – basisverkenningen Datamanipulaties met panda’s-bibliotheek Datatransformaties – Dataruzie Verkennende analyse Ontbrekende observaties – detectie en oplossingen Uitschieters – detectie en strategieën Standaardisatie, normalisatie, binarisatie Kwalitatieve datahercoderingMachine learning-algoritmen voor detectie van uitschietersBegeleide algoritmen KNN Ensemble Gradient Boosting SVM
Algoritmen zonder toezicht. Op afstand gebaseerd
Op dichtheid gebaseerde methoden
Probabilistische methoden
Modelgebaseerde methoden
Begrijpen Deep LearningOverzicht van de basisconcepten van deep learning, waarbij onderscheid wordt gemaakt tussen Machine Learning en deep learning. Overzicht van toepassingen voor deep learningOverzicht van Neural NetworksWat zijn Neural Networks Neural Networks versus regressiemodellen Wiskundige grondslagen en leermechanismen begrijpen Een kunstmatig neuraal netwerk construeren Neurale knooppunten en verbindingen begrijpen Werken met neuronen, lagen en invoer- en uitvoergegevens Enkellaags-perceptronen begrijpen Verschillen tussen begeleid en onbewaakt leren Leren Feedforward en feedback Neural Networks Voorwaartse en achterwaartse voortplanting begrijpenEenvoudige deep learning-modellen bouwen met Keras
Een Keras-model maken Uw gegevens begrijpen Uw Deep Learning-model specificeren Uw model samenstellen dat bij uw model past Werken met uw classificatiegegevens Werken met classificatiemodellen Uw modellen gebruiken
Werken met TensorFlow voor Deep Learning
De gegevens voorbereiden De gegevens downloaden Trainingsgegevens voorbereiden Testgegevens voorbereiden Invoer schalen met tijdelijke aanduidingen en variabelen
Specificeren van de netwerkarchitectuur
De kostenfunctie gebruiken
De optimalisatie gebruiken
Initialisatoren gebruiken
Het neurale netwerk aanpassen
Het opbouwen van de grafiekinferentieVerliesOpleidingHet model trainen De grafiekDe sessieTrein lusHet model evalueren Het bouwen van de Eval-grafiekEvalueren met Eval OutputTrainingsmodellen op schaal
Modellen visualiseren en evalueren met TensorBoardToepassing van Deep Learning bij anomaliedetectieAutoencoder Encoder - Decoder Architectuur ReconstructieverliesVariationele Autencoder Variationele inferentie
Generatieve vijandige netwerkgenerator – Discriminator-architectuurBenaderingen van AN met behulp van GANEnsemble-frameworks
Resultaten van verschillende methoden combineren Bootstrap Aggregeren van gemiddelde uitbijterscore