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.
課程簡介
1. 使用最近鄰 理解分類
- kNN 演算法
- 計算距離
- 選擇合適的 k
- 準備用於 kNN的數據
- 為什麼 kNN 演算法是懶惰的?
2. 理解樸素貝葉斯
- 貝葉斯方法的基本概念
- 概率
- 聯合概率
- 貝葉斯定理的條件概率
- 樸素貝葉斯演演算法
- 樸素貝葉斯分類
- 拉普拉斯估計器
- 使用具有樸素貝葉斯的數值特徵
3. 了解決策樹
- 分而治之
- C5.0 決策樹演演算法
- 選擇最佳分割
- 修剪決策樹
4. 了解分類規則
- 分離與征服
- “一法則”演演算法
- RIPPER 演算法
- 決策樹中的規則
5. 理解回歸
- 簡單線性回歸
- 普通最小二乘估計
- 相關性
- 多元線性回歸
6. 了解回歸樹和模型樹
- 向樹添加回歸
7. 了解神經網路
- 從生物神經元到人工神經元
- 啟動函數
- 網路拓撲
- 層數
- 信息傳播的方向
- 每層中的節點數
- 使用反向傳播訓練神經網路
8. 理解支援向量機
- 使用超平面進行分類
- 尋找最大保證金
- 線性可分離數據的情況
- 非線性可分離數據的情況
- 將內核用於非線性空間
9. 了解關聯規則
- 用於關聯規則學習的 Apriori 演算法
- 衡量規則興趣 - 支援和信心
- 使用 Apriori 原則構建一組規則
10. 瞭解聚類
- 聚類分析作為機器學習任務
- 聚類的k-means 演算法
- 使用距離配置與更新集群
- 選擇適當數量的集群
11. 衡量分類 性能
- 使用分類預測資料
- 仔細研究混淆矩陣
- 使用混淆矩陣來衡量性能
- 超越準確性 – 其他性能衡量標準
- kappa 統計資料
- 敏感性和特異性
- 精確度和召回率
- F-measure
- 視覺化效能權衡
- ROC 曲線
- 估計未來性能
- 維持方法
- 交叉驗證
- Bootstrap 取樣
12. 調整庫存模型以獲得更好的性能
- 使用插入符號進行自動參數調整
- 建立簡單的優化模型
- 自訂調優過程
- 通過元學習提高模型性能
- 瞭解整合
- 裝袋
- 提高
- 隨機森林
- 訓練隨機森林
- 評估隨機林性能
13. Deep Learning
- 深度學習的三類
- 深度自動編碼器
- 預訓練深度 Neural Networks
- 深度堆疊網路
14. 具體應用領域的討論
21 時間:
客戶評論 (1)
Very flexible