Course Outline

1. 최근접이웃을 이용한 분류 이해

  • kNN 알고리즘
  • 거리 계산
  • 적절한 k 선택
  • kNN에 사용할 데이터 준비
  • kNN 알고리즘이 게으른 이유는 무엇입니까?

2. 나이브 베이즈 이해

  • 베이지안 방법의 기본 개념
  • 개연성
  • 결합확률
  • 베이즈 정리를 이용한 조건부 확률
  • 나이브 베이즈 알고리즘
  • 나이브 베이즈 분류
  • 라플라스 추정량
  • Naive Bayes와 함께 숫자 기능 사용

3. 의사결정나무 이해하기

  • 분열시켜 정복하라
  • C5.0 의사결정 트리 알고리즘
  • 최고의 분할 선택
  • 의사결정 트리 가지치기

4. 분류 규칙 이해

  • 분리하여 정복하라
  • 하나의 규칙 알고리즘
  • RIPPER 알고리즘
  • 의사결정나무의 규칙

5. 회귀 이해

  • 단순 선형 회귀
  • 일반 최소제곱 추정
  • 상관관계
  • 다중 선형 회귀

6. 회귀 트리 및 모델 트리 이해

  • 트리에 회귀 추가

7. 신경망 이해

  • 생물학적 뉴런에서 인공 뉴런까지
  • 활성화 기능
  • 네트워크 토폴로지
  • 레이어 수
  • 정보 여행의 방향
  • 각 레이어의 노드 수
  • 역전파를 사용한 신경망 훈련

8. 서포트 벡터 머신 이해

  • 초평면을 이용한 분류
  • 최대 마진 찾기
  • 선형 분리 가능한 데이터의 경우
  • 비선형적으로 분리 가능한 데이터의 경우
  • 비선형 공간에 커널 사용

9. 연관 규칙 이해

  • 연관 규칙 학습을 위한 Apriori 알고리즘
  • 규칙 관심도 측정 - 지원 및 신뢰도
  • Apriori 원리를 사용하여 일련의 규칙 구축

10. 클러스터링 이해

  • 기계 학습 작업으로 클러스터링
  • 클러스터링을 위한 k-평균 알고리즘
  • 거리를 사용하여 클러스터 할당 및 업데이트
  • 적절한 수의 클러스터 선택

11. 분류를 위한 성능 측정

  • 분류 예측 데이터 작업
  • 혼동 행렬 자세히 살펴보기
  • 혼동 행렬을 사용하여 성능 측정
  • 정확성을 넘어서 - 성능의 다른 측정
  • 카파 통계
  • 민감도와 특이도
  • 정밀도와 재현율
  • F-측정
  • 성능 장단점 시각화
  • ROC 곡선
  • 미래 성과 예측
  • 홀드아웃 방법
  • 교차 검증
  • Bootstrap 샘플링

12. 더 나은 성능을 위해 스톡 모델 조정

  • 자동화된 매개변수 조정을 위해 캐럿 사용
  • 간단한 조정 모델 만들기
  • 튜닝 프로세스 사용자 정의
  • 메타 학습을 통한 모델 성능 향상
  • 앙상블의 이해
  • 배깅
  • 부스팅
  • 랜덤 포레스트
  • 랜덤 포레스트 훈련
  • 랜덤 포레스트 성능 평가

13. Deep Learning

  • Deep Learning의 세 가지 클래스
  • 딥 오토인코더
  • 사전 훈련된 심층 Neural Networks
  • 딥 스태킹 네트워크

14. 특정 적용 분야에 대한 논의

  21 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 10:00 and 17:00.
Open Training Courses require 5+ participants.

회원 평가 (1)

Related Courses

Related Categories