课程大纲

机器学习

Machine Learning 简介

    机器学习的应用 监督学习与无监督学习 机器学习算法 回归 分类 聚类 推荐系统 异常检测 Reinforcement Learning

回归

    简单和多元回归 最小二乘法 估计系数 评估系数估计的准确性 评估模型的准确性 事后估算分析 回归模型中的其他注意事项 定性预测变量 线性模型的扩展 潜在问题 回归模型的偏差-方差权衡 [欠拟合/过拟合]

重采样方法

    交叉验证 验证集方法 留一交叉验证 k-Fold 交叉验证 k-Fold 的偏置-方差权衡 这 Bootstrap

模型选择和正则化

    子集选择 [最佳子集选择、逐步选择、选择最佳模型] 收缩方法/正则化 [Ridge Regression, Lasso & Elastic Net] 选择调优参数 降维方法 主成分回归 偏最小二乘法

分类

    逻辑回归 物流模型成本函数 估计系数 进行预测 比值比 性能评估矩阵 [灵敏度/特异性/PPV/NPV、精密度、ROC曲线等] 多元逻辑回归 >2 响应类的逻辑回归 正则化逻辑回归
线性判别分析 使用贝叶斯定理进行分类
  • p=1 的线性判别分析
  • p >1 的线性判别分析
  • 二次判别分析
  • K-最近邻
  • 具有非线性决策边界的分类
  • 支持向量机 优化目标
  • 最大边距分类器
  • 内核
  • 一对一分类
  • 一对多分类
  • 分类方法比较
  • Deep Learning 简介
  • ANN 结构
  • Bio逻辑神经元和人工神经元 非线性假设 模型表示 例子和直觉 传递函数/激活函数 网络架构的典型类别
  • 前馈 ANN。

    多层前馈网络的结构 反向传播算法 反向传播 - 训练和收敛 具有反向传播的函数近似 反向传播学习的实践和设计问题

      Deep Learning

    人工智能 & Deep Learning Softmax 回归 自学学习 深度网络 演示和应用

      实验室:

    R 入门

      R 简介 基本命令和库 数据操作 导入和导出数据 图形和数字摘要 写入函数

    回归

    简单和多元线性回归 交互术语 非线性变换 虚拟变量回归 交叉验证和 Bootstrap 子集选择方法 惩罚 [Ridge, Lasso, Elastic Net]

      分类

    Logistic回归、LDA、QDA和KNN, 重采样和正则化 支持向量机 重采样和正则化

      注意:

    对于ML算法,案例研究将用于讨论其应用,优势和潜在问题。 将使用 R 对不同数据集进行分析

    要求

    统计概念的基本知识是可取的。

      21 小时
     

    人数


    开始

    完结


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    客户评论 (3)

    相关课程

    课程分类