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
Análise discriminante linear usando o teorema de Bayes para classificação
  • Análise Discriminante Linear para p=1
  • Análise Discriminante Linear para p >1
  • Análise Discriminante Quadrática
  • K-vizinhos mais próximos
  • Classificação com limites de decisão não lineares
  • Objetivo de otimização de máquinas de vetores de suporte
  • O Classificador de Margem Máxima
  • Núcleos
  • Classificação Um Contra Um
  • Classificação Um Contra Todos
  • Comparação de métodos de classificação
  • Introdução a Deep Learning
  • Estrutura da RNA
  • Bio neurônios lógicos e neurônios artificiais Modelo de hipótese não linear Representação Exemplos e intuições Função de transferência/Funções de ativação Classes típicas de arquiteturas de rede
  • 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.

      21 horas

    Declaração de Clientes (4)

    Cursos Relacionados

    Categorias Relacionadas