Курсы, программы / IT: Для программистов и IT-специалистов / Базы данных / DSML: Машинное обучение в R

DSML: Машинное обучение в R: Курсы

	Организатор	Регион	Стоимость


Коммерсант (0.03)		Москва	90 000 руб. руб. 90,000.00 за 40 ак. часов 5 дней

Даты проведения

15.07.2019 - 19.07.2019
14.10.2019 - 19.10.2019
17.02.2020 - 21.02.2020
Уточните расписание у организатора.
Возможно он не успел обновить расписание.

Форма обучения: Очная/дневная

Вид мероприятия: Курсы

Тип мероприятия: Открытые

Целевая аудитория

Специалисты по работе с большими данными, бизнес-аналитики и руководители

Преподаватель

Николай Комиссаренко

Анонс программы

Данный курс предназначен для изучения алгоритмов машинного обучения с практическим применением техник машинного обучения, реализованных в R. Рассматриваются понятия data mining, измерения производительности и уменьшения размерности, регрессионные модели, байессовская модель, SVM и ассоциативные правила для анализа. После успешного завершения данного курса вы сможете понимать и объяснять принципы работы алгоритмов Machine Learning, а также применять данные алгоритмы на реальных задачах в больших данных.

Описание программы

Основы статистики и простая линейная регрессия
- Что такое ваши данные?
- Статистические выводы
- Введение в машинное обучение
- Простая линейная регрессия
- Диагностика и трансформация
- Коэффициент определенности
- Методы оценки моделей и производительности
Базовое программирование с R (опционально)
- Введение в R
- Что такое R?
- R-Studio, пакеты и рабочая область
- Основные элементы языка R
- Типы объектов данных
- Введение функций и управляющих операторов
- Функции
- Программирование функций
- Подключение библиотек в R-Studio
Подготовка данных (опционально)
- Принципы формирование Dataset (набор данных)
- Локальный импорт / экспорт данных
- Работа с отсутствующими данными (NA)
- Категориальные данные
- Формирование обучающего и тестового набора данных
- Вопросы ...

Подробнее о программе

Основы статистики и простая линейная регрессия
- Что такое ваши данные?
- Статистические выводы
- Введение в машинное обучение
- Простая линейная регрессия
- Диагностика и трансформация
- Коэффициент определенности
- Методы оценки моделей и производительности
Базовое программирование с R (опционально)
- Введение в R
- Что такое R?
- R-Studio, пакеты и рабочая область
- Основные элементы языка R
- Типы объектов данных
- Введение функций и управляющих операторов
- Функции
- Программирование функций
- Подключение библиотек в R-Studio
Подготовка данных (опционально)
- Принципы формирование Dataset (набор данных)
- Локальный импорт / экспорт данных
- Работа с отсутствующими данными (NA)
- Категориальные данные
- Формирование обучающего и тестового набора данных
- Вопросы масштабирования и автоматизации
- Препроцессинг данных
Линейная регрессия и обобщенная линейная модель
- P-value — ошибки первого рода
- Допущения и диагностика
- Оценка максимального правдоподобия
- Интерпретация модели
- Оценка соответствия модели
- Обобщенные линейные модели:
  - Простая линейная регрессия
  - Множественная линейная регрессия
  - Логистическая регрессия
  - Полиномиальная регрессия
- Метод опорных векторов (SVR) и деревья решений
- Деревья решений
- Bagging
- Случайные леса
- Boosting
- Важность переменной
- Сортировка полей и поддержка векторного классификатора
- Метод опорных векторов
- Оценка производительности регрессионной модели
- Коэффициенты линейной регрессии
Алгоритмы классификации
- Логистическая регрессия
- Алгоритм ближайших соседей
- Алгоритм K-ближайших соседей. Выбор К и меры расстояния
- Наивный байессовский анализ и "проклятие размерности"
  - Условная вероятность: теорема Байеса
  - Оценка Лапласа
  - Уменьшение размерности
  - Процедура PCA
  - Ridge и регрессия Лассо
  - Перекрестная проверка.
- Классификация с помощью деревьев решений
- Классификация методом случайных деревьев
- Оценка производительности классификационной модели
Кластерный анализ
- Кластерный анализ
- K-means кластеризация
  - Выбор количества кластеров
  - Типовые ошибки при кластеризации
- Иерархическая кластеризация. Принципы построения дендрограмм
Ассоциативные правила
- Правила Априори алгоритма
- Основные приниципы и построение модели в R
Машинные алгоритмы с переобучением (Reinforcement learning)
- Верхняя граница достоверности (UCB — Upper Confidence Bound)
- Примеры по Томпсону
- Сравнение алгоритмов
- Реализация алгоритмов в R
NLP алгоритмы (Алгоритмы текстовой обработки)
- Основы Natural Language Proccesing
Глубокое Обучение (Deep Learning)
- Отличие машинного обучение( Machine Learning) от глубокого обучения (Deep Learning)
- Искуственные Нейронные Сети (Artificial Neural Networks) :
  - План атаки
  - Нейроны
  - Активация нейронов
  - Как работают нейронные сети и персептроны
  - Сигмоидные нейроны
  - Сетевая топология и скрытые функции
  - Метод обратного распространения ошибки с градиентным спуском

Скрыть подробности

Контактная информация

Коммерсант
Лебедева Ксения
sales@bigdataschool.ru
ул.Илимская, д. 5/2, офис 303, БЦ "ДЕПО"
+7 99 показать номер

	Сохранить в избранном

	Заказать звонок

	Отправить вопрос или заявку


Подать заявку от 90000 руб


	Телефон организатора Нажмите на ссылку, чтобы увидеть телефон Показать телефон

	Пожалуйста, скажите организатору, что нашли мероприятие на EduMarket.ru