Uczenie maszynowe z wykorzystaniem R

3950 PLN+23% VAT (4858 PLN brutto / 1 os.)

Czas trwania szkolenia:4 dni (32h)

Kod kursu:ML/MID/R

Poziom zaawansowania:
machine-learning

Szkolenie na zamówienie

Szkolenie dostosowane do potrzeb Twojego zespołu. Dostępne wyłącznie na zamówienie.

  • Dostosowany program
  • Indywidualna wycena
  • Dowolny termin
Icon with laptop

O szkoleniu Uczenie maszynowe z wykorzystaniem R

W cenie otrzymasz:

  • Materiały szkoleniowe
  • Certyfikat ukończenia szkolenia
  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

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
  • Praktyka przed teorią - wszystkie szkolenia technologiczne prowadzone są w formie warsztatowej. Konieczna teoria jest wyjaśniana na przykładzie praktycznych zadań
  • Konkretne umiejętności - w ramach każdego szkolenia rozwijamy praktyczne umiejętności związane z daną technologią i tematyką
  • Nauka z praktykami - wszyscy trenerzy na co dzień pracują w projektach, gwarantuje to dostęp do eksperckiej wiedzy i praktycznego know-how

Cele szkolenia

  • Ugruntowanie wiedzy z zakresu uczenia maszynowego w R
  • Rozszerzenie wiedzy o modele oraz narzędzia stanowiące kompletny warsztat pracy specjalisty uczenia maszynowego

Program

Wstęp

  • Omówienie tematyki szkolenia w kontekście obecnych trendów w uczeniu maszynowym
  • Powtórzenie podstawowych metod, narzędzi i miar wykorzystywanych w uczeniu maszynowym

Regresja liniowa - tematy zaawansowane

  • Transformacje zmiennych
  • Problem współliniowości
  • Interakcje
  • Regresja grzbietowa
  • Lasso
  • Elastic net

Regresja nieliniowa

  • Regresja wielomianowa
  • Funkcje schodkowe
  • Krzywe sklejane (splines), regresja lokalna (loess)
  • Uogólnione modele addytywne (GAM)

Problemy klasyfikacyjne - tematy zaawansowane

  • Precyzja, recall, czułość, swoistość, TPR, FPR
  • Krzywe ROC i precision-recall, AUC
  • Niezrównoważone klasy
  • Kalibracja prawdopodobieństw

Optymalizacja budowy modelu przy pomocy pakietu caret

  • Zastosowanie w klasyfikacji i regresji
  • Porównywanie modeli
  • Techniki wyboru hiperparametrów
  • Braki danych, transformacje zmiennych
  • Ważność zmiennych

Naiwny klasyfikator Bayesa

  • Podstawa matematyczna - wzór Bayesa
  • Zastosowanie w klasyfikacji
  • Rozszerzenie na zmienne ciągłe

Maszyna wektorów nośnych (SVM)

  • Wersja liniowa
  • Wersja nieliniowa, jądro
  • Zastosowanie w klasyfikacji i regresji (SVR)

Metoda K-najbliższych sąsiadów (KNN)

  • Miary podobieństwa
  • Zastosowanie w klasyfikacji i regresji

Zespoły (ensembles)

  • Bagging
  • Las losowy (random forest)
  • Boosting, XGBoost
  • Zastosowanie w klasyfikacji i regresji

Sieci neuronowe

  • Sieć neuronowa jako uogólnienie regresji
  • Perceptron, neurony, warstwy: wejściowa, wyjściowa, ukryte
  • Funkcja aktywacji, batch, epoka, współczynnik uczenia
  • Zastosowanie w klasyfikacji i regresji

PCA

  • Komponenty, ładunki, scores
  • Wybór liczby składowych, kryterium Kaisera, wykres osypiska
  • Rotacja
  • Zastosowanie w wizualizacji
  • Zastosowanie w redukcji wymiaru
  • Zastosowanie w regresji (PCR)

Podsumowanie

  • Porównanie metod
  • Granica decyzyjna
  • Jak ulepszyć istniejący model?
  • Przykład budowy modelu od A do Z

Podobne szkolenia