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
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。
客户评论 (3)
Coverage and depth of topics
Anirban Basu
课程 - Machine Learning and Deep Learning
The training provided the right foundation that allows us to further to expand on, by showing how theory and practice go hand in hand. It actually got me more interested in the subject than I was before.
Jean-Paul van Tillo
课程 - Machine Learning and Deep Learning
We have gotten a lot more insight in to the subject matter. Some nice discussion were made with some real subjects within our company