課程簡介

基礎 Machine Learning

  • Machine Learning 概念和工作流簡介
  • 監督學習與無監督學習
  • 評估機器學習模型:指標和技術

貝葉斯方法

  • 樸素貝葉斯和多項式模型
  • 貝葉斯分類數據分析
  • 貝葉斯圖形模型

回歸技術

  • 線性回歸
  • Logistic 回歸
  • 廣義線性模型 (GLM)
  • 混合模型和增材模型

降維

  • 主成分分析 (PCA)
  • 因數分析 (FA)
  • 獨立成分分析 (ICA)

分類方法

  • K 最近鄰 (KNN)
  • 用於回歸與分類的支援向量機 (SVM)
  • 提升和整合模型

Neural Networks

  • 神經網路簡介
  • 深度學習在分類和回歸中的應用
  • 訓練和調整神經網路

高級演算法和模型

  • 隱瑪律可夫模型 (HMM)
  • 狀態空間模型
  • EM 演算法

聚類技術

  • 聚類和無監督學習簡介
  • 流行的聚類演算法:K-Means、Hierarchical Clustering
  • 集群的使用案例和實際應用

總結和後續步驟

最低要求

  • 對統計和數據分析有基本的瞭解
  • Programming 具有 R、Python 或其他相關程式設計語言的經驗

觀眾

  • 數據科學家
  • 統計
 14 時間:

人數


每位參與者的報價

客戶評論 (5)

Upcoming Courses

課程分類