Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
- Machine Learning Introduzione
- Tipi di apprendimento automatico: apprendimento supervisionato e non supervisionato
- Dall'apprendimento statistico all'apprendimento automatico
- Il flusso di lavoro Data Mining:
- Business Comprensione
- Comprensione dei dati
- Preparazione dei dati
- Modellatura
- Valutazione
- Spiegamento
- Algoritmi di apprendimento automatico
- Scegliere l'algoritmo appropriato al problema
- Overfitting e compromesso bias-varianza nel ML
- Librerie ML e linguaggi di programmazione
- Perché utilizzare un linguaggio di programmazione
- Scelta tra R e Python
- Python Corso accelerato
- Python Risorse
- Python Librerie per l'apprendimento automatico
- Notebook Jupyter e codifica interattiva
- Test degli algoritmi ML
- Generalizzazione e overfitting
- Evitare l'overfitting
- Metodo di controllo
- Convalida incrociata
- Bootstrapping
- Valutazione delle previsioni numeriche
- Misure di precisione: ME, MSE, RMSE, MAPE
- Stabilità dei parametri e delle previsioni
- Valutazione degli algoritmi di classificazione
- La precisione e i suoi problemi
- La matrice della confusione
- Problema di classi sbilanciate
- Visualizzazione delle prestazioni del modello
- Curva dei profitti
- Curva ROC
- Curva di portanza
- Selezione del modello
- Ottimizzazione del modello – strategie di ricerca della griglia
- Esempi in Python
- Preparazione dei dati
- Importazione e archiviazione dei dati
- Comprendere i dati - esplorazioni di base
- Manipolazioni dei dati con la libreria pandas
- Trasformazioni dei dati – Wrangling dei dati
- Analisi esplorativa
- Osservazioni mancanti – rilevamento e soluzioni
- Outlier: rilevamento e strategie
- Standardizzazione, normalizzazione, binarizzazione
- Ricodifica qualitativa dei dati
- Esempi in Python
- Classificazione
- Classificazione binaria e multiclasse
- Classificazione tramite funzioni matematiche
- Funzioni discriminanti lineari
- Funzioni discriminanti quadratiche
- Regressione logistica e approccio probabilistico
- k-vicini più prossimi
- Baies ingenuo
- Alberi decisionali
- CARRETTO
- Insaccamento
- Random Forests
- Aumentare
- Xgboost
- Supporto di macchine vettoriali e kernel
- Classificatore di margini massimi
- Supporta la macchina vettoriale
- Apprendimento d'insieme
- Esempi in Python
- Regressione e previsione numerica
- Stima dei minimi quadrati
- Tecniche di selezione delle variabili
- Regolarizzazione e stabilità - L1, L2
- Non linearità e minimi quadrati generalizzati
- Regressione polinomiale
- Spline di regressione
- Alberi di regressione
- Esempi in Python
- Apprendimento non supervisionato
- Clustering
- Clustering basato su centroidi – k-medie, k-medoidi, PAM, CLARA
- Clustering gerarchico – Diana, Agnes
- Clustering basato su modelli - EM
- Mappe auto-organizzanti
- Valutazione e valutazione dei cluster
- Riduzione della dimensionalità
- Analisi delle componenti principali e analisi fattoriale
- Decomposizione del valore singolare
- Ridimensionamento multidimensionale
- Esempi in Python
- Clustering
- Estrazione del testo
- Pre-elaborazione dei dati
- Il modello del sacco di parole
- Stemming e lemmizzazione
- Analisi delle frequenze delle parole
- Analisi del sentiment
- Creazione di nuvole di parole
- Esempi in Python
- Motori di raccomandazione e filtri collaborativi
- Dati di raccomandazione
- Filtro collaborativo basato sull'utente
- Filtro collaborativo basato su elementi
- Esempi in Python
- Estrazione di modelli di associazione
- Algoritmo dei set di elementi frequenti
- Analisi del paniere di mercato
- Esempi in Python
- Analisi dei valori anomali
- Analisi dei valori estremi
- Rilevamento dei valori anomali in base alla distanza
- Metodi basati sulla densità
- Rilevamento di valori anomali ad alta dimensionalità
- Esempi in Python
- Machine Learning Caso di studio
- Business Comprensione del problema
- Pre-elaborazione dei dati
- Selezione e messa a punto dell'algoritmo
- Valutazione dei risultati
- Spiegamento
Requisiti
Conoscenza e consapevolezza dei fondamenti di Machine Learning
21 ore
Recensioni (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Corso - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
