Cursusaanbod

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
  • Gewijzigde regressiemethoden
  • 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

    Vereisten

    Deze cursus is bedoeld voor mensen die al een achtergrond hebben in data science en statistiek.

     21 Uren

    Aantal deelnemers


    Prijs Per Deelnemer

    Testimonials (2)

    Voorlopige Aankomende Cursussen

    Gerelateerde categorieën