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 verwarringsmatrix
  • Onevenwichtig klassenprobleem
  • Visualisatie van modelprestaties Winstcurve
  • ROC-curve
  • Lift-curve
  • Modelselectie
  • Modelafstemming – zoekstrategieën voor rasters
  • Gegevensvoorbereiding 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 datahercodering
  • Machine learning-algoritmen voor detectie van uitschieters
  • Begeleide algoritmen KNN Ensemble Gradient Boosting SVM

      Algoritmen zonder toezicht. Op afstand gebaseerd

    Op dichtheid gebaseerde methoden

      Probabilistische methoden
    Modelgebaseerde methoden
  • Begrijpen Deep Learning
  • Overzicht van de basisconcepten van deep learning, waarbij onderscheid wordt gemaakt tussen Machine Learning en deep learning. Overzicht van toepassingen voor deep learning
  • Overzicht van Neural Networks
  • Wat 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 begrijpen
  • Eenvoudige 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 grafiekinferentie
  • Verlies
  • Opleiding
  • Het model trainen De grafiek
  • De sessie
  • Trein lus
  • Het model evalueren Het bouwen van de Eval-grafiek
  • Evalueren met Eval Output
  • Trainingsmodellen op schaal
  • Modellen visualiseren en evalueren met TensorBoard
  • Toepassing van Deep Learning bij anomaliedetectie
  • Autoencoder Encoder - Decoder Architectuur Reconstructieverlies
  • Variationele Autencoder Variationele inferentie
  • Generatieve vijandige netwerkgenerator – Discriminator-architectuur
  • Benaderingen van AN met behulp van GAN
  • Ensemble-frameworks
  • Resultaten van verschillende methoden combineren Bootstrap Aggregeren van gemiddelde uitbijterscore
  •  
  • Requirements

    • Ervaring met Python programmeren
    • Basiskennis van statistiek en wiskundige concepten

    Publiek

    • Ontwikkelaars
    • Datawetenschappers
      28 Hours
     

    Related Courses

    Related Categories