Eğitim İçeriği

Julia'da Makine Öğrenimi Algoritmaları

Giriş kavramları

  • Supervised & unsupervised öğrenme
  • Cross validation ve model seçimi
  • Bias/variance dengesi

Linear & logistic regresyon

(NaiveBayes & GLM)

  • Giriş kavramları
  • Linear regresyon modellerini uyarlama
  • Model tanımlama
  • Naive Bayes
  • Logistic regresyon modelini uyarlama
  • Model tanımlama
  • Model seçimi yöntemleri

Mesafeler

  • Bir mesafe nedir?
  • Euclidean
  • Cityblock
  • Cosine
  • Correlation
  • Mahalanobis
  • Hamming
  • MAD
  • RMS
  • Ortalama kare sapma

Boyut indirgeme

  • Principal Component Analysis (PCA)
    • Linear PCA
    • Kernel PCA
    • Probabilistic PCA
    • Independent CA
  • Çok boyutlu ölçeklendirme

Değiştirilmiş regresyon yöntemleri

  • Regularization'ın temel kavramları
  • Ridge regresyon
  • Lasso regresyon
  • Principal component regression (PCR)

Kümeleme

  • K-means
  • K-medoids
  • DBSCAN
  • Hiyerarşik kümeleme
  • Markov Kümeleme Algoritması
  • Fuzzy C-means kümelemesi

Standart makine öğrenimi modelleri

(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM paketleri)

  • Gradient boosting kavramları
  • K en yakın komşular (KNN)
  • Decision tree modelleri
  • Random forest modelleri
  • XGboost
  • EvoTrees
  • Support vector machines (SVM)

Yapay sinir ağları

(Flux paketi)

  • Stochastic gradient descent & stratejiler
  • Multilayer perceptrons forward feed & back propagation
  • Regularization
  • Recurrence neural networks (RNN)
  • Convolutional neural networks (Convnets)
  • Autoencoders
  • Hyperparameters

Kurs İçin Gerekli Önbilgiler

Bu kurs, veri biliminde ve istatistikte zaten bir arka plana sahip olan kişilere yöneliktir.

 21 Saat

Katılımcı Sayısı


Katılımca başına fiyat

Danışanlarımızın Yorumları (2)

Yaklaşan Etkinlikler

İlgili Kategoriler