コース概要

機械学習の基礎

  • 機械学習の概念とワークフローの紹介
  • 監督学習と非監督学習
  • 機械学習モデルの評価:指標と手法

ベイジアン方法

  • ナイーブベイズと多項モデル
  • ベイジアンカテゴリカルデータ分析
  • ベイジアングラフィカルモデル

回帰手法

  • 線形回帰
  • ロジスティック回帰
  • 一般化線形モデル(GLM)
  • 混合モデルと加法的モデル

次元削減

  • 主成分分析(PCA)
  • 因子分析(FA)
  • 独立成分分析(ICA)

分類手法

  • K-Nearest Neighbors (KNN)
  • 回帰と分類のためのサポートベクターマシン(SVM)
  • ブースティングとアンサンブルモデル

ニューラルネットワーク

  • ニューラルネットワークの紹介
  • 分類と回帰のためのディープラーニングの応用
  • ニューラルネットワークのトレーニングと調整

高度なアルゴリズムとモデル

  • 隠れマルコフモデル(HMM)
  • 状態空間モデル
  • EM アルゴリズム

クラスタリング手法

  • クラスタリングと非監督学習の紹介
  • 一般的なクラスタリングアルゴリズム:K-Means, 層別クラスタリング
  • クラスタリングのユースケースと実践的な応用

まとめと次なるステップ

要求

  • 統計とデータ分析の基本的な理解
  • R, Python、または他の関連プログラミング言語でのプログラミング経験

対象者

  • データサイエンティスト
  • 統計家
 14 時間

参加者の人数


参加者1人当たりの料金

お客様の声 (5)

今後のコース

関連カテゴリー