У вас уже есть заявка на текущий период.
Если вы хотите, чтобы данная программа участвовала в розыгрыше гранта в этом месяце, необходимо добавить ее в папку "Интересные мероприятия".
Или создайте заявку на другой период.
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