Kerangka Materi
Pendahuluan
Bagian ini memberikan pengantar umum mengenai kapan harus menggunakan 'machine learning', apa yang perlu dipertimbangkan, dan apa maksudnya, termasuk pro dan kontra. Tipe data (terstruktur/tidak terstruktur/statis/streaming), validitas/volume data, analitik berbasis data vs berbasis pengguna, model statistik vs model machine learning, tantangan dalam unsupervised learning, bias-variance trade-off, 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
- Estimator Laplace
- Menggunakan fitur numerik dengan naive Bayes
2. Memahami decision trees
- Divide and conquer
- Algoritma decision tree C5.0
- Pemilihan split terbaik
- Pemangkasan decision tree
3. Memahami neural networks
- Dari neuron biologis ke neuron artifisial
- Function aktivasi
- Topologi jaringan
- Jumlah lapisan
- Arah perjalanan informasi
- Jumlah node di setiap lapisan
- Pelatihan neural networks dengan backpropagation
- Deep Learning
4. Memahami Support Vector Machines
- Klasifikasi dengan hyperplanes
- Menemukan margin maksimum
- Kasus data yang linearly separable
- Kasus data yang tidak linearly separable
- Menggunakan kernels untuk ruang non-linear
5. Memahami clustering
- Clustering sebagai tugas machine learning
- Algoritma k-means untuk clustering
- Menggunakan jarak untuk menetapkan dan memperbarui cluster
- Memilih jumlah cluster yang tepat
6. Mengukur performa untuk klasifikasi
- Bekerja dengan data prediksi klasifikasi
- Melihat lebih dekat ke confusion matrices
- Menggunakan confusion matrices untuk mengukur performa
- Di luar akurasi – ukuran performa lainnya
- Statistik kappa
- Sensitivitas dan spesifisitas
- Precision dan recall
- F-measure
- Visualisasi tradeoff performa
- Kurva ROC
- Estimasi masa depan performa
- Metode holdout
- Cross-validation
- Bootstrap sampling
7. Menyetel model standar untuk performa yang lebih baik
- Menggunakan caret untuk penyetelan parameter otomatis
- Membuat model yang dituning secara sederhana
- Menyesuaikan proses penyetelan
- Meningkatkan performa model dengan meta-learning
- Memahami ensemble
- Bagging
- Boosting
- Random forests
- Pelatihan random forests
- Evaluasi performa random forest
TOPIK KURANG UTAMA
8. Memahami klasifikasi menggunakan nearest neighbors
- Algoritma kNN
- Menghitung jarak
- Memilih k yang sesuai
- Mempersiapkan data untuk digunakan dengan kNN
- Mengapa algoritma kNN bersifat lazy?
9. Memahami aturan klasifikasi
- Separate and conquer
- Algoritma One Rule
- Algoritma RIPPER
- Aturan dari decision trees
10. Memahami regresi
- Regresi linear sederhana
- Estimasi kuadrat terkecil biasa
- Korelasi
- Regresi linear berganda
11. Memahami regression trees dan model trees
- Menambahkan regresi ke trees
12. Memahami aturan asosiasi
- Algoritma Apriori untuk pembelajaran aturan asosiasi
- Mengukur ketertarikan aturan – support dan confidence
- Membuat sekumpulan aturan dengan prinsip Apriori
Tambahan
- Spark/PySpark/MLlib dan Multi-armed bandits
Persyaratan
Pemahaman tentang Python
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
