Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
- Machine Learning Inleiding
- Soorten machine learning – leren onder toezicht versus leren zonder toezicht
- Van statistisch leren naar machine learning
- De Data Mining werkstroom:
- Business Begrijpen
- Inzicht in gegevens
- Voorbereiding van de gegevens
- Modellering
- Evaluatie
- Implementatie
- Machine learning-algoritmen
- Het kiezen van het juiste algoritme voor het probleem
- Overfitting en afweging tussen bias en variantie in ML
- ML-bibliotheken en programmeertalen
- Waarom een programmeertaal gebruiken?
- Kiezen tussen R en Python
- Python Spoedcursus
- Python Bronnen
- Python Bibliotheken voor machinaal leren
- Jupyter-notebooks en interactief coderen
- ML-algoritmen testen
- Generalisatie en overfitting
- Overfitting vermijden
- Holdout-methode
- Kruisvalidatie
- Bootstrapping
- Numerieke voorspellingen evalueren
- Metingen van nauwkeurigheid: ME, MSE, RMSE, MAPE
- Stabiliteit van parameters en voorspellingen
- Evaluatie van classificatie-algoritmen
- Nauwkeurigheid en zijn problemen
- De verwarringsmatrix
- Probleem met onevenwichtige klassen
- Modelprestaties visualiseren
- Winstcurve
- ROC-curve
- De kromme van de lift
- Model selectie
- Modelafstemming – strategieën voor het zoeken naar rasters
- Voorbeelden in Python
- Voorbereiding van de gegevens
- Gegevens importeren en opslaan
- Begrijp de gegevens – basisverkenningen
- Gegevensmanipulatie met de Pandas-bibliotheek
- Datatransformaties – Data wrangling
- Verkennende analyse
- Ontbrekende waarnemingen – detectie en oplossingen
- Uitschieters – detectie en strategieën
- Standaardisatie, normalisatie, binarisatie
- Kwalitatieve hercodering van gegevens
- Voorbeelden in Python
- Classificatie
- Binaire versus classificatie met meerdere klassen
- Classificatie via wiskundige functies
- Lineaire discriminant functies
- Kwadratische discriminant functies
- Logistische regressie- en waarschijnlijkheidsbenadering
- K-dichtstbijzijnde buren
- Naïeve Bayes
- Beslisbomen
- KAR
- Zakken
- Random Forests
- Stimuleren
- Xgboost
- Ondersteuning van Vector Machines en kernels
- Classificatie van maximale marge
- Ondersteuning Vector Machine
- Ensemble leren
- Voorbeelden in Python
- Regressie en numerieke voorspelling
- Schatting van de kleinste kwadraten
- Technieken voor het selecteren van variabelen
- Regularisatie en stabiliteit - L1, L2
- Niet-lineariteiten en gegeneraliseerde kleinste kwadraten
- Polynomiale regressie
- Regressie splines
- Regressie bomen
- Voorbeelden in Python
- Leren zonder toezicht
- Clustering
- Clustering op basis van zwaartepunt - k-gemiddelden, k-medoids, PAM, CLARA
- Hiërarchische clustering – Diana, Agnes
- Modelgebaseerde clustering - EM
- Zelforganiserende kaarten
- Clusters evaluatie en beoordeling
- Dimensionaliteit reductie
- Hoofdcomponentenanalyse en factoranalyse
- Ontleding van enkelvoudige waarden
- Multidimensionale schaling
- Voorbeelden in Python
- Clustering
- Tekst mining
- Voorbewerking van gegevens
- Het zak-van-woorden-model
- Stamming en lemmisatie
- Woordfrequenties analyseren
- Sentiment analyse
- Woordwolken maken
- Voorbeelden in Python
- Aanbevelingsengines en gezamenlijk filteren
- Aanbevelingen gegevens
- Op gebruikers gebaseerd gezamenlijk filteren
- Gezamenlijk filteren op basis van items
- Voorbeelden in Python
- Associatie patroon mijnbouw
- Algoritme voor frequente itemsets
- Analyse van het marktmandje
- Voorbeelden in Python
- Analyse van uitschieters
- Analyse van extreme waarden
- Detectie van uitschieters op basis van afstand
- Methoden op basis van dichtheid
- Detectie van hoogdimensionale uitschieters
- Voorbeelden in Python
- Machine Learning Casestudy
- Business Probleem begrijpen
- Voorbewerking van gegevens
- Selectie en afstemming van algoritmen
- Evaluatie van de bevindingen
- Implementatie
Vereisten
Kennis en bewustzijn van Machine Learning grondbeginselen
21 Uren
Leveringsopties
PRIVÉGROEPSTRAINING
Onze identiteit draait om het leveren van precies wat onze klanten nodig hebben.
- Pre-cursusgesprek met uw trainer
- Aanpassing van de leerervaring om uw doelen te bereiken -
- Op maat gemaakte overzichten
- Praktische, praktische oefeningen met gegevens / scenario's die herkenbaar zijn voor de cursisten
- Training gepland op een datum naar keuze
- Gegeven online, op locatie/klaslokaal of hybride door experts die ervaring uit de echte wereld delen
Private Group Prices RRP from €6840 online delivery, based on a group of 2 delegates, €2160 per additional delegate (excludes any certification / exam costs). We recommend a maximum group size of 12 for most learning events.
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
OPENBARE TRAINING
Kijk op onze public courses
Reviews (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Cursus - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Cursus - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
