Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Machine learning-algoritmen in Julia
Inleidende concepten
- Begeleid en onbewaakt leren Kruisvalidatie en modelselectie Afweging van bias/variantie
Lineaire en logistische regressie
(NaïefBayes & GLM)
- Inleidende concepten Het passen van lineaire regressiemodellen Modeldiagnostiek Naïeve Bayes Het passen van een logistisch regressiemodel Modeldiagnostiek Modelselectiemethoden
Afstanden
- Wat is een afstand? Euclidische stadsblok-cosinuscorrelatie Mahalanobis Hamming MAD RMS Gemiddelde kwadratische afwijking
Dimensionaliteitsreductie
- Principal Component Analysis (PCA) Lineaire PCA Kernel PCA Probabilistische PCA Onafhankelijke CA
Basisconcepten van regularisatie Ridge-regressie Lasso-regressie Hoofdcomponentregressie (PCR)
- Clustering
K-betekent K-medoids DBSCAN Hiërarchische clustering Markov Clusteralgoritme Fuzzy C-betekent clustering
- Standaard machine learning-modellen
(DichtstbijzijndeBuren, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM-pakketten)
Concepten voor gradiëntversterking K dichtstbijzijnde buren (KNN) Beslissingsboommodellen Willekeurige bosmodellen XGboost EvoTrees Ondersteuning van vectormachines (SVM)
- Kunstmatige neurale netwerken
(Flux-pakket)
Stochastische gradiëntafdaling en strategieën Meerlaagse perceptrons voorwaartse feed & back-propagatie Regularisatie Recurrence neurale netwerken (RNN) Convolutionele neurale netwerken (Convnets) Autoencoders Hyperparameters
Requirements
Deze cursus is bedoeld voor mensen die al een achtergrond hebben in data science en statistiek.
21 Hours