Đề cương khóa học

Nền tảng của Machine Learning

  • Giới thiệu về các khái niệm và quy trình làm việc của Machine Learning
  • Học có giám sát so với học không giám sát
  • Đánh giá các mô hình học máy: số liệu và kỹ thuật

Phương pháp Bayesian

  • Mô hình Naive Bayes và đa thức
  • Phân tích dữ liệu phân loại Bayesian
  • Mô hình đồ thị Bayesian

Kỹ thuật hồi quy

  • Hồi quy tuyến tính
  • Hồi quy logistic
  • Mô hình tuyến tính tổng quát (GLM)
  • Mô hình hỗn hợp và mô hình cộng

Giảm chiều

  • Phân tích thành phần chính (PCA)
  • Phân tích nhân tố (FA)
  • Phân tích thành phần độc lập (ICA)

Phương pháp phân loại

  • K-Láng giềng gần nhất (KNN)
  • Máy vectơ hỗ trợ (SVM) cho hồi quy và phân loại
  • Mô hình tăng cường và tập hợp

Neural Networks

  • Giới thiệu về mạng nơ-ron
  • Ứng dụng của học sâu trong phân loại và hồi quy
  • Huấn luyện và điều chỉnh mạng nơ-ron

Thuật toán và mô hình nâng cao

  • Mô hình Markov ẩn (HMM)
  • Mô hình không gian trạng thái
  • Thuật toán EM

Kỹ thuật phân cụm

  • Giới thiệu về phân cụm và học không giám sát
  • Các thuật toán phân cụm phổ biến: K-Means, Phân cụm phân cấp
  • Các trường hợp sử dụng và ứng dụng thực tế của phân cụm

Tóm tắt và các bước tiếp theo

Requirements

  • Hiểu biết cơ bản về thống kê và phân tích dữ liệu
  • Programming kinh nghiệm với R, Python hoặc các ngôn ngữ lập trình liên quan khác

Đối tượng

  • Nhà khoa học dữ liệu
  • Nhà thống kê
 14 Hours

Number of participants


Price per participant

Testimonials (5)

Provisional Upcoming Courses (Require 5+ participants)

Related Categories