Чому ви навчитеся
- Завдання і процес машинного навчання
- дані для машинного навчання
- особливості навчання моделей
- експорт та імпорт результатів машинного навчання
- метод максимальної правдоподібності
- лінійна регресія та регуляризація
- середньоквадратична помилка та інші метрики
- поліноміальна та нелінійна регресія
- логістична регресія
- Шкільна математика
- інтерес до штучного інтелекту і (Лі) великим даними
Робота з великими даними і завданнями штучного інтелекту вимагає особливого підходу - підходу машинного навчання. У цьому курсі ми послідовно пройдемо всі етапи роботи з даними: від видів завдань і їх постановки до роботи з моделями машинного навчання для мінімізації передбачувальної помилки.
Додатково розглянемо фундаментальні основи побудови моделей машинного навчання, базові метрики і найбільш прості моделі - лінійну і логістичну регресії.
Курс є вступним і підійде широкому колу слухачів: від керівників до розробників.
для кого цей курс:
- керівники та менеджери
- розробники великих систем
- науковці
- Директора з маркетингу та продажу
процес машинного навчання
Завдання машинного навчання
Завдання машинного навчання
Модель і процес машинного навчання
Процес ETL
Процес машинного навчання
підготовка даних
EDA
Підготовка даних
Підготовка даних
модель машинного навчання
Розбиття вибірки
Оптимізація гіперпараметрів
Недонавчання і перенавчання
Навчання моделі
Використання HDF
базові методи та оцінки
Метод максимальної правдоподібності
Метод найменших квадратів
Метод найменших квадратів
Апроксимація пропусків в даних
Апроксимація даних
Середньоквадратична помилка
Метрики і відстані
Метрики і відстані
лінійні моделі
Лінійна регресія і L1/L2-регуляризація
Лінійна регресія
BIC і AIC
Поліноміальна регресія
Лінеаризація регресії
Нелінійна регресія
Логістична регресія
Лінійні моделі
Завдання машинного навчання
Завдання машинного навчання
Модель і процес машинного навчання
Процес ETL
Процес машинного навчання
підготовка даних
EDA
Підготовка даних
Підготовка даних
модель машинного навчання
Розбиття вибірки
Оптимізація гіперпараметрів
Недонавчання і перенавчання
Навчання моделі
Використання HDF
базові методи та оцінки
Метод максимальної правдоподібності
Метод найменших квадратів
Метод найменших квадратів
Апроксимація пропусків в даних
Апроксимація даних
Середньоквадратична помилка
Метрики і відстані
Метрики і відстані
лінійні моделі
Лінійна регресія і L1/L2-регуляризація
Лінійна регресія
BIC і AIC
Поліноміальна регресія
Лінеаризація регресії
Нелінійна регресія
Логістична регресія
Лінійні моделі
https://privatelink.de/?https://www.udemy.com/course/ittensive-machine-learning-introduction/