Kerangka Materi
Pendahuluan
Sesi ini memberikan gambaran umum tentang kapan harus menggunakan 'machine learning', apa yang perlu dipertimbangkan, dan apa artinya semuanya termasuk kelebihan dan kekurangannya. Tipe data (terstruktur/tidak terstruktur/statik/streaming), validitas/volume data, analitik berbasis data vs berbasis pengguna, model statistik vs. model machine learning/ tantangan pembelajaran tidak terawasi, trade-off bias-variance, iterasi/evaluasi, pendekatan cross-validation, supervised/unsupervised/reinforcement.
TOPIK UTAMA
1. Memahami naive Bayes
- Konsep dasar metode Bayesian
- Probabilitas
- Probabilitas bersama
- Probabilitas bersyarat dengan teorema Bayes
- Algoritma naive Bayes
- Klasifikasi naive Bayes
- Penggunaan estimator Laplace
- Menggunakan fitur numerik dengan naive Bayes
2. Memahami pohon keputusan
- Bagi dan kuasai
- Algoritma pohon keputusan C5.0
- Mengambil keputusan pemisahan terbaik
- Pemangkasan pohon keputusan
3. Memahami jaringan saraf
- Dari neuron biologis ke buatan
- Fungsi aktivasi
- Topologi jaringan
- Jumlah lapisan
- Arah perjalanan informasi
- Jumlah node dalam setiap lapisan
- Melatih jaringan saraf dengan backpropagation
- Deep Learning
4. Memahami Support Vector Machines
- Klasifikasi dengan hiperplane
- Mencari margin maksimum
- Kasus data yang dapat dipisahkan secara linear
- Kasus data yang tidak dapat dipisahkan secara linear
- Penggunaan kernel untuk ruang non-linear
5. Memahami klastering
- Klastering sebagai tugas machine learning
- Algoritma k-means untuk klastering
- Menggunakan jarak untuk menetapkan dan memperbarui klaster
- Memilih jumlah klaster yang tepat
6. Mengukur kinerja untuk klasifikasi
- Bekerja dengan data prediksi klasifikasi
- Penggunaan matriks kebingungan secara lebih mendalam
- Menggunakan matriks kebingungan untuk mengukur kinerja
- Di luar akurasi – ukuran kinerja lainnya
- Statistik kappa
- Sensitivitas dan spesifisitas
- Precision dan recall
- Mengukur F-measure
- Visualisasi tradeoffs kinerja
- Kurve ROC
- Memprediksi kinerja di masa depan
- Metode holdout
- Cross-validation
- Bootstrap sampling
7. Menyesuaikan model standar untuk kinerja yang lebih baik
- Menggunakan caret untuk penyetelan parameter otomatis
- Membuat model yang disesuaikan sederhana
- Menyesuaikan proses penyetelan
- Memperbaiki kinerja model dengan meta-learning
- Memahami ensemble
- Bagging
- Boosting
- Hutan acak
- Melatih hutan acak
- Evaluasi kinerja hutan acak
TOPIK TERTENTU
8. Memahami klasifikasi menggunakan tetangga terdekat
- Algoritma kNN
- Menghitung jarak
- Memilih nilai k yang tepat
- Persiapan data untuk penggunaan dengan kNN
- Mengapa algoritma kNN disebut malas?
9. Memahami aturan klasifikasi
- Bagi dan kuasai
- Algoritma One Rule
- Algoritma RIPPER
- Aturan dari pohon keputusan
10. Memahami regresi
- Regresi linier sederhana
- Pengestimasian kuadrat terkecil biasa
- Korelasi
- Regresi linier berganda
11. Memahami pohon regresi dan model tree
- Menambahkan regresi ke dalam pohon
12. Memahami aturan asosiasi
- Algoritma Apriori untuk pembelajaran aturan asosiasi
- Mengukur minat aturan – dukungan dan keyakinan
- Membangun set aturan dengan prinsip Apriori
Eksklusif
- Spark/PySpark/MLlib dan Multi-armed bandits
Persyaratan
Python Pengetahuan
Testimoni (7)
Saya sangat menikmati pelatihan dan menghargai penyelaman lebih dalam ke dalam subjek Machine Learning. Saya menghargai keseimbangan antara teori dan aplikasi praktis, terutama sesi pemrograman langsung. Trainer menyediakan contoh yang menarik dan latihan yang dirancang dengan baik, yang meningkatkan pengalaman belajar. Kursus ini mencakup berbagai topik, dan Abhi menunjukkan keahlian yang luar biasa dengan menjawab semua pertanyaan dengan jelas dan mudah.
Valentina
Kursus - Machine Learning
Diterjemahkan Mesin
Saya menghargai latihan yang membantu saya memahami teori dan menerapkannya langkah demi langkah. Serta cara instruktur menjelaskan segalanya dengan sederhana dan jelas. Meskipun saya tidak terlalu berpengalaman dengan Python, tetap saja saya tidak ingin melewatkan kesempatan untuk belajar sesuatu yang benar-benar menarik minat saya. Saya juga menghargai variasi informasi yang disediakan dan ketersediaan instruktur untuk menjelaskan dan mendukung kami dalam memahami konsep-konsep tersebut. Setelah kursus ini, konsep machine learning menjadi jauh lebih jelas bagi saya, dan sekarang saya merasa memiliki arah dan pemahaman yang lebih baik tentang topik tersebut.
Cristina
Kursus - Machine Learning
Diterjemahkan Mesin
Di akhir pelatihan, saya dapat melihat kasus penggunaan nyata dari subjek-subjek yang disajikan.
Daniel
Kursus - Machine Learning
Diterjemahkan Mesin
Saya suka kecepatannya, saya suka keseimbangan antara teori dan praktik, topik utama yang dibahas, dan cara trainer memadukan semuanya dengan baik. Saya juga sangat menyukai infrastruktur pelatihan Anda, sangat praktis untuk bekerja dengan VMs
Andrei
Kursus - Machine Learning
Diterjemahkan Mesin
Menjaganya singkat dan sederhana. Membuat intuisi dan model visual di sekitar konsep (grafik pohon keputusan, persamaan linier, menghitung y_pred secara manual untuk membuktikan cara kerja model).
Nicolae - DB Global Technology
Kursus - Machine Learning
Diterjemahkan Mesin
Ini membantu saya mencapai tujuan memahami ML. Saya sangat menghormati Pablo karena memberikan pengenalan yang tepat tentang topik ini, karena setelah 3 hari pelatihan menjadi jelas betapa luasnya topik ini. Saya juga sangat menikmati ide tentang mesin virtual yang Anda berikan, yang memiliki latensi sangat baik! Hal ini memungkinkan setiap peserta untuk melakukan eksperimen sesuai kecepatan mereka sendiri.
Silviu - DB Global Technology
Kursus - Machine Learning
Diterjemahkan Mesin
Cara praktisnya, melihat materi teori berwujud menjadi sesuatu yang praktis sangat menyenangkan.
Lisa Fekade - Vodacom
Kursus - Machine Learning
Diterjemahkan Mesin
