Schulungsübersicht
Maschinelles Lernen
Einführung in Machine Learning
- Anwendungen des maschinellen Lernens Überwachtes versus unüberwachtes Lernen Algorithmen für maschinelles Lernen Regression Klassifizierung Clustering Empfehlungssystem Anomalieerkennung Reinforcement Learning
Rückschritt
- Einfache und multiple Regression Methode der kleinsten Quadrate Schätzen der Koeffizienten Bewerten der Genauigkeit der Koeffizientenschätzungen Bewerten der Genauigkeit des Modells Post-Schätzungsanalyse Weitere Überlegungen in den Regressionsmodellen Qualitative Prädiktoren Erweiterungen der linearen Modelle Mögliche Probleme Bias-Varianz-Kompromiss [Unteranpassung /over-fitting] für Regressionsmodelle
Resampling-Methoden
- Kreuzvalidierung Der Validierungssatz-Ansatz Leave-One-Out-Kreuzvalidierung k-Faltung Kreuzvalidierung Bias-Varianz-Kompromiss für k-Faltung Bootstrap
Modellauswahl und Regularisierung
- Teilmengenauswahl [Beste Teilmengenauswahl, schrittweise Auswahl, Auswahl des optimalen Modells] Schrumpfungsmethoden/Regularisierung [Ridge-Regression, Lasso und elastisches Netz] Auswahl des Abstimmungsparameters Dimensionsreduktionsmethoden Hauptkomponenten Regression Partielle kleinste Quadrate
Einstufung
- Logistische Regression Die Kostenfunktion des Logistikmodells Schätzen der Koeffizienten Erstellen von Vorhersagen Quotenverhältnis Leistungsbewertungsmatrizen [Sensitivität/Spezifität/PPV/NPV, Präzision, ROC-Kurve usw.] Multiple logistische Regression Logistische Regression für >2 Antwortklassen Regularisierte logistische Regression
Feed-forward-ANN.
Strukturen mehrschichtiger Feed-Forward-Netzwerke Back-Propagation-Algorithmus Back-Propagation – Training und Konvergenz Funktionale Approximation mit Back-Propagation Praktische und gestalterische Fragen des Back-Propagation-Lernens
- Deep Learning
Künstliche Intelligenz und Deep Learning Softmax-Regression, autodidaktisches Lernen, Deep Networks-Demos und -Anwendungen
- Labor:
Erste Schritte mit R
- Einführung in R-Grundbefehle und -Bibliotheken, Datenmanipulation, Importieren und Exportieren von Daten, grafische und numerische Zusammenfassungen, Schreibfunktionen
Rückschritt
Einfache und multiple lineare Regression Interaktionsbegriffe Nichtlineare Transformationen Dummy-Variablen-Regression Kreuzvalidierung und die Bootstrap Teilmengenauswahlmethoden Bestrafung [Ridge, Lasso, Elastic Net]
- Einstufung
Logistische Regression, LDA, QDA und KNN, Resampling und Regularisierung unterstützen Vector Machine Resampling und Regularisierung
- Notiz:
Für ML-Algorithmen werden Fallstudien verwendet, um deren Anwendung, Vorteile und potenzielle Probleme zu diskutieren. Die Analyse verschiedener Datensätze wird mit R durchgeführt
Voraussetzungen
Grundkenntnisse statistischer Konzepte sind wünschenswert.
Erfahrungsberichte (4)
Wir hatten einen Überblick über Machine Learning, Neural Networks, AI mit praktischen Beispielen.
Catalin - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Maschinelle Übersetzung
Letzter Tag mit der AI
Ovidiu - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Maschinelle Übersetzung
Die Beispiele, die ausgewählt, mit uns geteilt und erklärt wurden
Cristina - DB Global Technology SRL
Kurs - Machine Learning and Deep Learning
Maschinelle Übersetzung
Coverage and depth of topics