Course Outline

Machine Learning의 기초

  • Machine Learning 개념 및 워크플로 소개
  • 지도 학습 vs. 비지도 학습
  • 머신 러닝 모델 평가: 지표 및 기술

베이지안 방법

  • 나이브 베이즈와 다항 모델
  • 베이지안 범주형 데이터 분석
  • 베이지안 그래픽 모델

회귀 기술

  • 선형 회귀
  • 로지스틱 회귀
  • 일반화 선형 모델(GLM)
  • 혼합 모델과 가산 모델

차원 축소

  • 주성분 분석(PCA)
  • 요인 분석(FA)
  • 독립 성분 분석(ICA)

분류 방법

  • K-최근접 이웃(KNN)
  • 회귀 및 분류를 위한 지원 벡터 머신(SVM)
  • 부스팅 및 앙상블 모델

Neural Networks

  • 신경망 소개
  • 분류 및 회귀에 대한 딥러닝의 응용
  • 신경망 훈련 및 튜닝

고급 알고리즘 및 모델

  • 은닉 마르코프 모델(HMM)
  • 상태 공간 모델
  • EM 알고리즘

클러스터링 기술

  • 클러스터링 및 비지도 학습 소개
  • 인기 있는 클러스터링 알고리즘: K-Means, 계층적 클러스터링
  • 클러스터링의 사용 사례 및 실제 응용 프로그램

요약 및 다음 단계

Requirements

  • 통계 및 데이터 분석에 대한 기본 이해
  • Programming R, Python 또는 기타 관련 프로그래밍 언어에 대한 경험

청중

  • 데이터 과학자
  • 통계학자
 14 Hours

Number of participants


Price per participant

회원 평가 (5)

Upcoming Courses

Related Categories