Uczenie maszynowe z wykorzystaniem R

LICZBA DNI: 4 (32h)

KOD KURSU: ML/MID/R

# machine-learning

Autor szkolenia:
Piotr Szulc

O szkoleniu

DLA KOGO?

Analitycy danych, statystycy oraz programiści, którzy posiadają podstawową wiedzę z uczenia maszynowego i programowania w R

WYMAGANIA

Podstawowa wiedza w zakresie uczenia maszynowego (np. szkolenie "Podstawy uczenia maszynowego z R")

Podstawowa umiejętność programowania w R (np. szkolenie "Podstawy programowania w R")

ZALETY

Rozwiązywanie biznesowych zagadnień

Praca z danymi pochodzącymi z rzeczywistych problemów

Wyrabianie odpowiedniej intuicji niezbędnej w procesie budowy kompletnego modelu

Cele szkolenia

Ugruntowanie wiedzy z zakresu uczenia maszynowego w R

Rozszerzenie wiedzy o modele oraz narzędzia stanowiące kompletny warsztat pracy specjalisty uczenia maszynowego

Program

  • Omówienie tematyki szkolenia w kontekście obecnych trendów w uczeniu maszynowym
  • Powtórzenie podstawowych metod, narzędzi i miar wykorzystywanych w uczeniu maszynowym
  • Transformacje zmiennych
  • Problem współliniowości
  • Interakcje
  • Regresja grzbietowa
  • Lasso
  • Elastic net
  • Regresja wielomianowa
  • Funkcje schodkowe
  • Krzywe sklejane (splines), regresja lokalna (loess)
  • Uogólnione modele addytywne (GAM)
  • Precyzja, recall, czułość, swoistość, TPR, FPR
  • Krzywe ROC i precision-recall, AUC
  • Niezrównoważone klasy
  • Kalibracja prawdopodobieństw
  • Zastosowanie w klasyfikacji i regresji
  • Porównywanie modeli
  • Techniki wyboru hiperparametrów
  • Braki danych, transformacje zmiennych
  • Ważność zmiennych
  • Podstawa matematyczna -- wzór Bayesa
  • Zastosowanie w klasyfikacji
  • Rozszerzenie na zmienne ciągłe
  • Wersja liniowa
  • Wersja nieliniowa, jądro
  • Zastosowanie w klasyfikacji i regresji (SVR)
  • Miary podobieństwa
  • Zastosowanie w klasyfikacji i regresji
  • Bagging
  • Las losowy (random forest)
  • Boosting, XGBoost
  • Zastosowanie w klasyfikacji i regresji
  • Sieć neuronowa jako uogólnienie regresji
  • Perceptron, neurony, warstwy: wejściowa, wyjściowa, ukryte
  • Funkcja aktywacji, batch, epoka, współczynnik uczenia
  • Zastosowanie w klasyfikacji i regresji
  • Komponenty, ładunki, scores
  • Wybór liczby składowych, kryterium Kaisera, wykres osypiska
  • Rotacja
  • Zastosowanie w wizualizacji
  • Zastosowanie w redukcji wymiaru
  • Zastosowanie w regresji (PCR)
  • Porównanie metod
  • Granica decyzyjna
  • Jak ulepszyć istniejący model?
  • Przykład budowy modelu od A do Z

Nasi eksperci

POLITYKA COOKIES:

Korzystamy z plików cookies, by móc jak najlepiej dostosować stronę do Twoich potrzeb oraz wyświetlać Ci przydatne i adekwatnych dla Ciebie reklamy w serwisie i poza nim. Możesz kontrolować ustawienia ciasteczek w swoich ustawieniach swojej przeglądarki. Odwiedzając tę stronę, wyrażasz zgodę na wykorzystywanie przez nas plików cookies.