Uczenie maszynowe z wykorzystaniem R
Czas trwania szkolenia:4 dni (32h)
Kod kursu:ML/MID/R
Poziom zaawansowania:
Szkolenie na zamówienie
Szkolenie dostosowane do potrzeb Twojego zespołu. Dostępne wyłącznie na zamówienie.
- Dostosowany program
- Indywidualna wycena
- Dowolny termin
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)
- Uog ólnione 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