Machine Learning using Python

Under den här kursen lär du dig att använda Python för maskininkärning (machine learning). Maskininlärning handlar i grunden om att bygga mjukvarusystem som lär sig från data. Denna kurs är utformad för att ge en grundläggande förståelse av teorin bakom maskininlärning, inklusive den bredare disciplinen artificiell intelligens.

Kurskod

A397

Pris

25450 kr (exklusive moms)

Längd

3 dagar

Ort och startdatum

Hålls på begäran

Kursen strävar efter att vara så heltäckande som möjligt och inkluderar därför grundläggande aspekter av dataanalys som är avgörande för maskininlärningsprocessen.

Målgrupp och förkunskaper

Den här kursen passar dig som vill ge dig in i området maskininlärning eller vill lägga till praktiska moment till din nuvarande kunskap inom ämnet. Du kommer särskilt att uppskatta kursen om du föredrar ett praktiskt sätt att lära dig.

Du bör ha erfarenhet av Python eller något annat högnivåspråk, såsom Java, C eller C++.

Detaljerad information

Foundations of Machine Learning

Machine Learning Perspective of Data
Scales of Measurement
- Nominal Scale of Measurement
- Ordinal Scale of Measurement
- Interval Scale of Measurement
- Ratio Scale of Measurement
Feature Engineering
Dealing with Missing Data
Handling Categorical Data
Normalizing Data
Feature Construction or Generation
Exploratory Data Analysis (EDA)
- Univariate Analysis
- Multivariate Analysis

Supervised Learning – Regression

Correlation and Causation
Fitting a Slope
Assessing your model
Polynomial Regression
Multivariate Regression
Multicollinearity and Variation Inflation Factor (VIF)
Interpreting the Ordinary Least Squares (OLS) Regression Results
Regression Diagnosis
Regularization
Nonlinear Regression

Supervised Learning – Classification

Logistic Regression
Evaluating a Classification Model Performance
ROC Curve
Fitting Line
Stochastic Gradient Descent
Regularization
Multiclass Logistic Regression
Generalized Linear Models
Supervised Learning – Process Flow
Decision Trees
Support Vector Machine (SVM)
k Nearest Neighbors (kNN)
Time-Series Forecasting

Unsupervised Learning Process Flow

Clustering
K-means Algorithm
Finding Value of k in K-means
Hierarchical Clustering
Principal Component Analysis (PCA)

Text Mining and Recommender Systems

Text Mining Process Overview
Text Data Assemble
Social Media
Text Preprocessing
Data Exploration (Text)
Model Building
Text Similarity
Text Clustering
Topic Modeling
Text Classification
Sentiment Analysis
Deep Natural Language Processing (DNLP)
Recommender Systems

Deep and Reinforcement Learning

Artificial Neural Network (ANN)
What Goes Behind, When Computers Look at an Image?
Why Not a Simple Classification Model for Images?
Perceptron – Single Artificial Neuron
Multilayer Perceptrons (Feedforward Neural Network)
MLP Using Keras
Autoencoders
Dimension Reduction Using Autoencoder
Convolution Neural Network (CNN)
Recurrent Neural Network (RNN)
Long Short-Term Memory (LSTM)
Reinforcement Learning