Cursusaanbod

Fundamenten van Machine Learning

  • Inleiding tot Machine Learning concepten en workflows
  • Leren onder toezicht versus leren zonder toezicht
  • Evaluatie van machine learning-modellen: metrieken en technieken

Bayesiaanse methoden

  • Naïeve Bayes en multinomiale modellen
  • Bayesiaanse categorische data-analyse
  • Bayesiaanse grafische modellen

Regressie Technieken

  • Lineaire regressie
  • Logistieke regressie
  • Gegeneraliseerde lineaire modellen (GLM)
  • Gemengde modellen en additieve modellen

Dimensionaliteit reductie

  • Analyse van de belangrijkste componenten (PCA)
  • Factor Analyse (FA)
  • Onafhankelijke componentenanalyse (ICA)

Classificatie methoden

  • K-Dichtstbijzijnde Buren (KNN)
  • Ondersteuning Vector Machines (SVM) voor regressie en classificatie
  • Boosting- en ensemblemodellen

Neural Networks

  • Inleiding tot neurale netwerken
  • Toepassingen van deep learning in classificatie en regressie
  • Neurale netwerken trainen en afstemmen

Geavanceerde algoritmen en modellen

  • Verborgen Markov-modellen (HMM)
  • Staats Ruimte Modellen
  • EM-algoritme

Technieken voor clustering

  • Inleiding tot clustering en leren zonder toezicht
  • Populaire clustering-algoritmen: K-Means, Hiërarchische Clustering
  • Use cases en praktische toepassingen van clustering

Samenvatting en volgende stappen

Vereisten

  • Basiskennis van statistiek en data-analyse
  • Programming ervaring in R, Python of andere relevante programmeertalen

Audiëntie

  • Datawetenschappers
  • Statistici
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Testimonials (5)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën