コース概要
機械学習
Machine Learning の紹介
- 機械学習のアプリケーション 教師あり学習と教師なし学習 機械学習アルゴリズム 回帰分類 クラスタリング レコメンダー システムの異常検出 Reinforcement Learning
回帰
- 単純回帰および重回帰最小二乗法 係数の推定 係数推定の精度の評価 モデルの精度の評価 推定後の分析 回帰モデルのその他の考慮事項 定性的予測子 線形モデルの拡張 潜在的な問題 バイアス分散のトレードオフ [過小適合] /over-fitting] 回帰モデルの場合
リサンプリング方法
- 相互検証 検証セット アプローチ Leave-One-Out 相互検証 k 分割相互検証 k 分割のバイアス分散トレードオフ Bootstrap
モデルの選択と正則化
- サブセットの選択 [最適なサブセットの選択、段階的選択、最適なモデルの選択] 収縮方法/正則化 [リッジ回帰、ラッソ、エラスティック ネット] 調整パラメーターの選択 次元削減方法 主成分回帰 部分最小二乗法
分類
- ロジスティック回帰 ロジスティック モデルのコスト関数 係数の推定 予測の作成 オッズ比 パフォーマンス評価行列 [感度/特異度/PPV/NPV、精度、ROC 曲線など] 多重ロジスティック回帰 2 を超える応答クラスのロジスティック回帰 正則化ロジスティック回帰
フィードフォワードANN。
多層フィードフォワード ネットワークの構造 逆伝播アルゴリズム 逆伝播 - トレーニングと収束 逆伝播による関数近似 逆伝播学習の実践上および設計上の問題
- Deep Learning
人工知能と Deep Learning ソフトマックス回帰の独学学習ディープ ネットワークのデモとアプリケーション
- 研究室:
R の入門
- R の概要 基本コマンドとライブラリ データ操作 データのインポートとエクスポート グラフと数値の要約 関数の書き込み
回帰
単純および多重線形回帰 相互作用項 非線形変換 ダミー変数回帰 相互検証と Bootstrap サブセット選択方法 ペナルティ [リッジ、ラッソ、エラスティック ネット]
- 分類
ロジスティック回帰、LDA、QDA、および KNN、リサンプリングと正則化のサポート ベクター マシンのリサンプリングと正則化
- 注記:
ML アルゴリズムについては、ケーススタディを使用して、そのアプリケーション、利点、潜在的な問題について説明します。さまざまなデータセットの分析は R を使用して実行されます
要求
統計的概念に関する基礎知識があることが望ましい。
お客様の声 (4)
Machine Learning、Neural Networks、AI について、実践例を交えて概要を説明しました。
Catalin - DB Global Technology SRL
コース - Machine Learning and Deep Learning
Machine Translated
AI との最後の日
Ovidiu - DB Global Technology SRL
コース - Machine Learning and Deep Learning
Machine Translated
選択し、共有し、説明した例
Cristina - DB Global Technology SRL
コース - Machine Learning and Deep Learning
Machine Translated
Coverage and depth of topics