Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Algorithmes d'apprentissage automatique dans Julia
Concepts introductifs
-
Apprentissage supervisé & ; apprentissage non supervisé
Validation croisée et sélection de modèles
Compromis biais/variance
Régression linéaire & ; régression logistique
(NaiveBayes & ; GLM)
-
Concepts d'introduction
Ajustement des modèles de régression linéaire
Diagnostics de modèles
Bayes naïf
Ajustement d'un modèle de régression logistique
Diagnostics de modèles
Méthodes de sélection de modèles
Distances
-
Qu'est-ce qu'une distance ?
Euclidienne
Bloc de ville
Cosinus
Corrélation
Mahalanobis
Hamming
MAD
RMS
Écart quadratique moyen
Réduction de la dimensionnalité
-
Analyse en composantes principales (ACP)
ACP linéaire
ACP à noyau
ACP probabiliste
ACP indépendante
Concepts de base de la régularisation Régression de crête Régression Lasso Régression en composantes principales (PCR)
-
Regroupement
K-moyennes K-médoïdes DBSCAN Regroupement hiérarchique Algorithme de grappe de Markov Clustering C-means flou
-
Modèles standard d'apprentissage automatique
(paquets NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)
Concepts de renforcement du gradient K plus proches voisins (KNN) Modèles d'arbres de décision Modèles de forêt aléatoire XGboost EvoTrees Machines à vecteurs de support (SVM)
-
Réseaux neuronaux artificiels
(Flux package)
Descente de gradient stochastique & ; stratégies Perceptrons multicouches forward feed & ; back propagation Régularisation Réseaux neuronaux de récurrence (RNN) Réseaux neuronaux convolutifs (Convnets) Autoencodeurs Hyperparamètres
Pré requis
Ce cours s'adresse aux personnes qui ont déjà des connaissances en science des données et en statistiques.
21 heures