Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
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
Requirements
Python Pengetahuan
21 Hours
Testimonials (7)
Saya sangat menikmati pelatihan dan menghargai penjelasan yang lebih mendalam tentang topik Machine Learning. Saya mengapresiasi keseimbangan antara teori dan aplikasi praktis, terutama sesi coding hands-on. Pelatih memberikan 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
Course - Machine Learning
Machine Translated
Saya menghargai latihan yang membantu saya memahami teori dan menerapkannya langkah demi langkah. Serta cara trainer menjelaskan segalanya dengan sederhana dan jelas. Meskipun saya tidak terlalu berpengalaman dengan Python, tetap mudah untuk diikuti dan saya tidak ingin melewatkan kesempatan belajar sesuatu yang sangat menarik bagi saya. Saya juga menghargai variasi informasi yang disediakan dan ketersediaan trainer 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 ini.
Cristina
Course - Machine Learning
Machine Translated
Di akhir pelatihan, saya dapat melihat penggunaan nyata dari topik yang disajikan.
Daniel
Course - Machine Learning
Machine Translated
Saya suka dengan kecepatannya, saya suka keseimbangan antara teori dan praktik, topik utama yang dibahas, serta cara pelatih dapat menyeimbangkan semuanya. Saya juga sangat menyukai infrastruktur pelatihan Anda, sangat praktis untuk bekerja dengan VM.
Andrei
Course - Machine Learning
Machine Translated
Keeping it short and simple. Creating intuition and visual models around the concepts (decision tree graph, linear equations, calculating y_pred manually to prove how the model works).
Nicolae - DB Global Technology
Course - Machine Learning
It helped me achieve my goal of understanding ML. Much respect for Pablo for giving a proper introduction in this topic, since it becomes obvious after 3 days of training how vast this topic is. I have also enjoyed A LOT the idea of virtual machines you have provided, which had very good latency! It allowed every coursant to do experiments at their own pace.
Silviu - DB Global Technology
Course - Machine Learning
The way practical part, seeing the theory materializing into something practical is great.
