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
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)
We hadden een overzicht over Machine Learning, Neural Networks, AI met praktijkvoorbeelden.
Catalin - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
Laatste dag met de AI
Ovidiu - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
De voorbeelden die werden uitgekozen, met ons gedeeld en uitgelegd
Cristina - DB Global Technology SRL
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
I really enjoyed the coverage and depth of topics.
Anirban Basu
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
Cursus - Machine Learning and Deep Learning
Automatisch vertaald
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company.
Sebastiaan Holman
Cursus - Machine Learning and Deep Learning
Automatisch vertaald