Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
1. En yakın komşular kullanarak sınıflandırma anlayışını geliştirme
- kNN algoritması
- Mesafe hesaplama
- Uygun bir k seçimi
- kNN ile kullanım için veri hazırlama
- neden kNN algoritması tembel?
2. Naive Bayes anlayışını geliştirme
- Bayesci yöntemlerin temel kavramları
- Olasılık
- Birleşik olasılık
- Bayes teoremi ile koşullu olasılık
- Naive Bayes algoritması
- Naive Bayes sınıflandırması
- Laplace tahminleyici
- Nümerik özelliklerin Naive Bayes ile kullanımı
3. Karar ağaçları anlayışını geliştirme
- Böl ve fethet
- C5.0 karar ağacı algoritması
- En iyi bölünmeyi seçme
- Karar ağacının kesilmesi
4. Sınıflandırma kuralları anlayışını geliştirme
- Ayrı ve fethet
- The One Rule algoritması
- RIPPER algoritması
- Karar ağaçlarından kurallar
5. Regresyon anlayışını geliştirme
- Tek değişkenli lineer regresyon
- Olasılık en küçük kareler tahmini
- Korelasyonlar
- Çoklu lineer regresyon
6. Regresyon ağaçları ve model ağaçları anlayışını geliştirme
- Ağaçlara regresyon ekleme
7. Sinir ağıları anlayışını geliştirme
- Biyolojikten yapay nöronlara geçiş
- Etkinleştirme fonksiyonları
- Ağ topolojisi
- Katman sayısının belirlemesi
- Bilgi akış yönü
- Her katmanda düğüm sayısı
- Geri yayılım ile sinir ağıları eğitme
8. Destek Vektör Makineleri anlayışını geliştirme
- Hiper düzlemlerle sınıflandırma
- Maksimum marjin bulma
- Doğrusal olarak ayrılabilir verilerin durumu
- Doğrusal olarak ayrılabilen verilerin durumu
- Nörolineer uzaylar için çekirdeklerin kullanımı
9. İlişki kuralları anlayışını geliştirme
- İlişki kuralı öğrenimi için Apriori algoritması
- Kural ilgisi ölçümü – destek ve güvenilirlik
- Apriori prensibi ile bir kural seti oluşturma
10. Kümeleme anlayışını geliştirme
- Kümelemeyi makine öğrenimi görevi olarak görme
- Kümelemek için k-ortalamalar algoritması
- Mesafe ile küme atama ve güncelleme
- Uygun küme sayısının seçilmesi
11. Sınıflandırma için performansı ölçme
- Sınıflandırma tahmin verileri ile çalışma
- Karışıklık matrislerine yakından bakma
- Karışıklık matrisleri ile performansı ölçme
- Başarı oranının ötesinde – diğer performans ölçümü
- Kappa istatistiği
- Hassasiyet ve spesifite
- Duyarlılık ve geri çağırma
- F-ölçüm
- Performans dengeleme görselleştirme
- ROC eğrileri
- Gelecekteki performans tahmini
- Holdout metodu
- Çapraz doğrulama
- Önyükleme örnekleme
12. Daha iyi performans için stok modellerin ayarlanması
- Otomatik parametre ayarlaması için caret kullanımı
- Basit bir ayarlanmış model oluşturma
- Ayar sürecini özelleştirme
- Meta-öğrenim ile model performansını geliştirme
- Kümeler anlayışı
- Bağlama (Bagging)
- Taşınma (Boosting)
- Rastgele ormanlar (Random forests)
- Rastgele ormanları eğitme
- Rastgele orman performansını değerlendirme
13. Derin Öğrenme
- Derin Öğrenmenin Üç Sınıfı
- Derin Otomatik Kodlayıcılar (Deep Autoencoders)
- Ön eğitilmiş Derin Sinir Ağları (Pre-trained Deep Neural Networks)
- Derin Yığma Ağları (Deep Stacking Networks)
14. Spesifik Uygulama Alanlarının Tartışılmış Hali
21 Saat
Danışanlarımızın Yorumları (1)
Very flexible.
Frank Ueltzhoffer
Eğitim - Artificial Neural Networks, Machine Learning and Deep Thinking
Yapay Zeka Çevirisi
