Kerangka Materi
Pendahuluan
Bagian ini memberikan perkenalan umum tentang kapan harus menggunakan 'machine learning', apa yang harus dipertimbangkan, dan apa artinya semuanya, termasuk kelebihan dan kekurangannya. Jenis data (terstruktur/tidak terstruktur/statis/beralir), validitas/volume data, analitik berbasis data vs berbasis pengguna, model statistik vs model machine learning/tantangan pembelajaran tidak terawasi, bias-variance trade off, iterasi/evaluasi, pendekatan validasi silang, diawasi/tidak diawasi/reinforcement.
TOPIK UTAMA
1. Memahami Naive Bayes
- Konsep dasar metode Bayes
- Probabilitas
- Probabilitas bersama
- Probabilitas bersyarat dengan teorema Bayes
- Algoritma Naive Bayes
- Klasifikasi Naive Bayes
- Estimasi Laplace
- Menggunakan fitur numerik dengan Naive Bayes
2. Memahami Decision Trees
- Divide and conquer
- Algoritma decision tree C5.0
- Memilih split terbaik
- Pruning decision tree
3. Memahami Neural Networks
- Dari neuron biologis ke neuron artifisial
- Fungsi aktivasi
- Topologi jaringan
- Jumlah lapisan
- Arah perjalanan informasi
- Jumlah node di setiap lapisan
- Melatih neural networks dengan backpropagation
- Deep Learning
4. Memahami Support Vector Machines
- Klasifikasi dengan hyperplane
- Mencari margin maksimum
- Kasus data yang dapat dipisahkan secara linear
- Kasus data yang tidak dapat dipisahkan secara linear
- Menggunakan kernel 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 kinerja untuk klasifikasi
- Bekerja dengan data prediksi klasifikasi
- Memahami matriks kebingungan dengan lebih dekat
- Menggunakan matriks kebingungan untuk mengukur kinerja
- Selain akurasi – metrik kinerja lainnya
- Statistik kappa
- Sensitivitas dan spesifisitas
- Presisi dan recall
- F-measure
- Memvisualisasikan trade-off kinerja
- Kurva ROC
- Mengestimasi kinerja masa depan
- Metode holdout
- Validasi silang
- Pengambilan sampel bootstrap
7. Menyetel model standar untuk kinerja yang lebih baik
- Menggunakan caret untuk penyetelan parameter otomatis
- Membuat model terlatih yang sederhana
- Menyesuaikan proses penyetelan
- Meningkatkan kinerja model dengan meta-learning
- Memahami ensemble
- Bagging
- Boosting
- Random forests
- Melatih random forests
- Mengevaluasi kinerja random forest
TOPIK SEKUNDER
8. Memahami klasifikasi menggunakan nearest neighbors
- Algoritma kNN
- Menghitung jarak
- Memilih k yang tepat
- Mempersiapkan data untuk digunakan dengan kNN
- Mengapa algoritma kNN malas?
9. Memahami aturan klasifikasi
- Separate and conquer
- Algoritma One Rule
- Algoritma RIPPER
- Aturan dari decision trees
10. Memahami regresi
- Regresi linear sederhana
- Estimasi ordinary least squares
- Korelasi
- Regresi linear berganda
11. Memahami pohon regresi dan model pohon
- Menambahkan regresi ke pohon
12. Memahami aturan asosiasi
- Algoritma Apriori untuk pembelajaran aturan asosiasi
- Mengukur kepentingan aturan – dukungan dan kepercayaan
- Membangun seperangkat aturan dengan prinsip Apriori
Ekstra
- Spark/PySpark/MLlib dan Multi-armed bandits
Persyaratan
Pengetahuan 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
