Cursusaanbod

MACHINE LEARNING

Inleiding tot Machine Learning

  • Toepassingen van machine learning
  • Supervised versus unsupervised learning
  • Machine learning-algoritmen
    • Regressie
    • Classificatie
    • Clustering
    • Aanbevelingssystemen
    • Anomaliedetectie
    • Reinforcement Learning

Regressie

  • Eenvoudige & meervoudige regressie
    • Methode van de kleinste kwadraten
    • Schatten van coëfficiënten
    • Bepalen van nauwkeurigheid van schattingen van coëfficiënten
    • Bepalen van nauwkeurigheid van het model
    • Nadere analyse na schattingsprocedure
    • Overige overwegingen in regressiemodellen
    • Kwalitatieve voorspellers
    • Uitbreidingen van lineaire modellen
    • Mogelijke problemen
    • Bias-variatie trade-off (underfitting/overfitting) voor regressiemodellen

Hersamplingmethoden

  • Cross-Validation
  • De validatiesetbenadering
  • Leave-One-Out Cross-Validation
  • k-Fold Cross-Validation
  • Bias-variatie trade-off voor k-Fold
  • The Bootstrap

Modelselectie en regularisatie

  • Selectie van subset
    • Beste selectie van subset
    • Stapsgewijze selectie
    • Kiezen van het optimale model
  • Schattersmethoden/regelmatiging
    • Ridge-regressie
    • Lasso & Elastic Net
  • Selectie van de afstelpara meter
  • Dimensiereductiemethoden
    • Principale componentenregressie
    • Partiële minste kwadraten

Classificatie

Logistische regressie

  • Het logistieke modelkostenfunctie
  • Schatten van coëfficiënten
  • Maken van voorspellingen
  • Odds ratio
  • Prestatie-evaluatie matrices
    • Gevoeligheid/specificiteit/PPV/NPV
    • Nauwkeurigheid
    • ROC-curve
  • Meervoudige logistische regressie
  • Logistische regressie voor >2 responsklassen
  • Gereguleerde logistische regressie

Lineaire discriminantanalyse

  • Bayes’ stelling gebruiken voor classificatie
  • Lineaire discriminantanalyse voor p=1
  • Lineaire discriminantanalyse voor p>1

Kwadratische discriminantanalyse

K-nearest neighbors

  • Classificatie met niet-lineaire beslisranden

Support Vector Machines

  • Optimalisatiedoelstelling
  • De maximale margeclassificeerder
  • Kernen
  • Eén-tegen-één classificatie
  • Eén-tegen-alles classificatie

Vergelijking van classificatiemethoden

Diepleerning

Inleiding tot diepleerning

Kunstmatige neurale netwerken (ANNs)

  • Bio-neuronen en kunstmatige neuronen
  • Niet-lineaire hypothesen
  • Modelrepresentatie
  • Voorbeelden & intuïties
  • Overdrachtsfuncties/activatiefuncties
  • Typische klassen van netwerkarchitecturen
    • Feedforward ANN
    • Meerlaagse feedforwardnetwerken
  • Backpropagation-algoritme
  • Backpropagation - training en convergentie
  • Functiebenadering met backpropagation
  • Praktische en ontwerpaspecten van backpropagationleer

Diepleerning

  • Kunstmatige intelligentie & diepleerning
  • Softmax-regressie
  • Zelf-lerend leren
  • Diepe netwerken
  • Demos en toepassingen

Laboratorium:

Aan de slag met R

  • Inleiding tot R
  • Basiscommando's & bibliotheken
  • Gegevensmanipulatie
  • Invoeren & exporteren van gegevens
  • Grafische en numerieke samenvattingen
  • Schrijven van functies

Regressie

  • Eenvoudige & meervoudige lineaire regressie
  • Interactie-termen
  • Niet-lineaire transformaties
  • Dummy-variabeleregressie
  • Cross-validation en de bootstrap
  • Selectiemethoden voor subsetten
  • Regularisatie (Ridge, Lasso, Elastic Net)

Classificatie

  • Logistische regressie, LDA, QDA, en KNN
  • Hersampling & regularisatie
  • Support Vector Machine

Aantekeningen:

  • Voor ML-algoritmen zullen casestudies worden gebruikt om hun toepassing, voordelen en mogelijke problemen te bespreken.
  • Analyse van verschillende datasets zal worden uitgevoerd met R.

Vereisten

  • Basisbegrip van statistische concepten is wenselijk

Publiek

  • Data wetenschappers
  • Machine learning ingenieurs
  • Softwareontwikkelaars geïnteresseerd in AI
  • Onderzoekers die werken met data modellering
  • Beroepsmensen die machine learning willen toepassen in bedrijf of industrie
 21 Uren

Leveringsopties

PRIVÉGROEPSTRAINING

Onze identiteit draait om het leveren van precies wat onze klanten nodig hebben.

  • Pre-cursusgesprek met uw trainer
  • Aanpassing van de leerervaring om uw doelen te bereiken -
    • Op maat gemaakte overzichten
    • Praktische, praktische oefeningen met gegevens / scenario's die herkenbaar zijn voor de cursisten
  • Training gepland op een datum naar keuze
  • Gegeven online, op locatie/klaslokaal of hybride door experts die ervaring uit de echte wereld delen

Private Group Prices RRP from €6840 online delivery, based on a group of 2 delegates, €2160 per additional delegate (excludes any certification / exam costs). We recommend a maximum group size of 12 for most learning events.

Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen


OPENBARE TRAINING

Kijk op onze public courses

Reviews (6)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën