Programa do Curso
Aprendizado de máquina
Introdução a Machine Learning
- Aplicações de aprendizado de máquina Aprendizado supervisionado versus não supervisionado Algoritmos de aprendizado de máquina Regressão Classificação Clustering Sistema de recomendação Detecção de anomalias Reinforcement Learning
Regressão
- Método dos Mínimos Quadrados de Regressão Simples e Múltipla Estimando os Coeficientes Avaliando a Precisão das Estimativas do Coeficiente Avaliando a Precisão do Modelo Análise Pós-Estimativa Outras Considerações nos Modelos de Regressão Preditores Qualitativos Extensões dos Modelos Lineares Problemas Potenciais Trade off entre viés e variância [subajuste /over-fitting] para modelos de regressão
Métodos de reamostragem
- Validação cruzada A abordagem do conjunto de validação Deixar um de fora Validação cruzada k-Fold Validação cruzada Viés-Variação Trade-off para k-Fold O Bootstrap
Seleção e regularização de modelos
- Seleção de subconjunto [Seleção do melhor subconjunto, seleção passo a passo, escolha do modelo ideal] Métodos de contração/regularização [Regressão de crista, laço e rede elástica] Seleção do parâmetro de ajuste Métodos de redução de dimensão Regressão de componentes principais Mínimos quadrados parciais
Classificação
- Regressão Logística A função de custo do Modelo Logístico Estimando os Coeficientes Fazendo Previsões Odds Ratio Matrizes de Avaliação de Desempenho [Sensibilidade/Especificidade/PPV/NPV, Precisão, Curva ROC etc.] Regressão Logística Múltipla Regressão Logística para >2 Classes de Resposta Regressão Logística Regularizada
ANN feed forward.
Estruturas de redes feed forward multicamadas Algoritmo de retropropagação Retropropagação - treinamento e convergência Aproximação funcional com retropropagação Questões práticas e de design de aprendizagem de retropropagação
- Deep Learning
Inteligência Artificial e Deep Learning Demonstrações e Aplicações de Redes Profundas de Regressão Softmax Autodidata
- Laboratório:
Introdução ao R
- Introdução ao R Comandos e bibliotecas básicas Manipulação de dados Importação e exportação de dados Resumos gráficos e numéricos Funções de escrita
Regressão
Termos de interação de regressão linear simples e múltipla Transformações não lineares Regressão de variável fictícia Validação cruzada e Bootstrap Métodos de seleção de subconjunto Penalização [Ridge, Lasso, Elastic Net]
- Classificação
Regressão Logística, LDA, QDA e KNN, Reamostragem e Regularização Suportam Reamostragem e Regularização de Máquinas de Vetores
- Observação:
Para algoritmos de ML, estudos de caso serão usados para discutir sua aplicação, vantagens e possíveis problemas. A análise de diferentes conjuntos de dados será realizada usando R
Requisitos
É desejável um conhecimento básico de conceitos estatísticos.
Declaração de Clientes (4)
Tivemos uma visão geral sobre Machine Learning, Neural Networks, IA com exemplos práticos.
Catalin - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Machine Translated
Último dia com a IA
Ovidiu - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Machine Translated
Os exemplos que foram escolhidos, partilhados connosco e explicados
Cristina - DB Global Technology SRL
Curso - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics