Course Outline

Machinaal leren

Inleiding tot Machine Learning

    Toepassingen van machinaal leren Bewaakt versus onbewaakt leren Machine learning-algoritmen Regressieclassificatie Clustering Aanbeveling Systeemafwijkingsdetectie Reinforcement Learning

Regressie

    Eenvoudige en meervoudige regressie Least Square-methode De coëfficiënten schatten De nauwkeurigheid van de coëfficiëntschattingen beoordelen De nauwkeurigheid van het model beoordelen Na schattingsanalyse Andere overwegingen in de regressiemodellen Kwalitatieve voorspellers Uitbreidingen van de lineaire modellen Potentiële problemen Afweging van bias en variantie [ondermaats] /overfitting] voor regressiemodellen

Methoden voor opnieuw bemonsteren

    Kruisvalidatie De benadering van de validatieset Leave-One-Out Kruisvalidatie k-vouw Kruisvalidatie Bias-Variance-afweging voor k-vouw De Bootstrap

Modelselectie en regularisatie

    Subsetselectie [Beste subsetselectie, stapsgewijze selectie, het optimale model kiezen] Krimpmethoden/-regularisatie [Ridge-regressie, lasso en elastisch net] De afstemmingsparameter selecteren Dimensiereductiemethoden Hoofdcomponenten Regressie Gedeeltelijke kleinste kwadraten

Classificatie

    Logistische regressie De kostenfunctie van het logistieke model Het schatten van de coëfficiënten Het maken van voorspellingen Odds Ratio Prestatie-evaluatiematrices [Gevoeligheid/Specificiteit/PPV/NPV, Precisie, ROC-curve etc.] Meervoudige logistieke regressie Logistische regressie voor >2 responsklassen Geregulariseerde logistische regressie
Lineaire discriminantanalyse met behulp van de stelling van Bayes voor classificatie
  • Lineaire discriminantanalyse voor p=1
  • Lineaire discriminantanalyse voor p >1
  • Kwadratische discriminantanalyse
  • K-dichtstbijzijnde buren
  • Classificatie met niet-lineaire beslissingsgrenzen
  • Ondersteuning van vectormachines-optimalisatiedoelstelling
  • De classificatie voor maximale marges
  • Kernels
  • Eén-tegen-één classificatie
  • Eén-tegen-alles-classificatie
  • Vergelijking van classificatiemethoden
  • Inleiding tot Deep Learning
  • ANN-structuur
  • Biologische neuronen en kunstmatige neuronen Niet-lineaire hypothese Modelrepresentatie Voorbeelden en intuïties Overdrachtsfunctie/activeringsfuncties Typische klassen van netwerkarchitecturen
  • Feed forward ANN.

    Structuren van meerlaagse feed-forward-netwerken Back-propagatie-algoritme Back-propagatie - training en convergentie Functionele benadering met back-propagatie Praktische en ontwerpkwesties van back-propagation learning

      Deep Learning

    Kunstmatige intelligentie en Deep Learning Softmax-regressie Autodidactisch leren Diepe netwerken Demo's en toepassingen

      Laboratorium:

    Aan de slag met R

      Inleiding tot R Basisopdrachten en bibliotheken Gegevensmanipulatie Gegevens importeren en exporteren Grafische en numerieke samenvattingen Schrijffuncties

    Regressie

    Eenvoudige en meervoudige lineaire regressie Interactietermen Niet-lineaire transformaties Regressie van dummyvariabelen Kruisvalidatie en de Bootstrap selectiemethoden voor subsets Strafbepaling [Ridge, Lasso, Elastic Net]

      Classificatie

    Logistieke regressie, LDA, QDA en KNN, resampling en regularisatie ondersteunen resampling en regularisatie van vectormachines

      Opmerking:

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

    Requirements

    Basiskennis van statistische concepten is wenselijk.

      21 Hours
     

    Getuigenissen (4)

    Related Courses

    Related Categories