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.
Course Outline
- Machine Learning 소개
- 기계 학습 유형 - 지도 학습과 비지도 학습
- 통계학습에서 머신러닝까지
- Data Mining 작업 흐름:
- Business 이해
- 데이터 이해
- 데이터 준비
- 모델링
- 평가
- 전개
- 기계 학습 알고리즘
- 문제에 적합한 알고리즘 선택
- ML의 과적합 및 편향-분산 절충
- ML 라이브러리 및 프로그래밍 언어
- 프로그래밍 언어를 사용하는 이유
- R과 Python 중에서 선택
- Python 집중 코스
- Python 리소스
- Python 머신러닝을 위한 라이브러리
- Jupyter Notebook 및 대화형 코딩
- ML 알고리즘 테스트
- 일반화 및 과적합
- 과적합 방지
- 홀드아웃 방법
- 교차 검증
- Bootstrap핑
- 수치 예측 평가
- 정확도 측정: ME, MSE, RMSE, MAPE
- 매개변수 및 예측 안정성
- 분류 알고리즘 평가
- 정확성과 그 문제점
- 혼동 행렬
- 불균형 클래스 문제
- 모델 성능 시각화
- 이익곡선
- ROC 곡선
- 리프트 곡선
- 모델 선택
- 모델 튜닝 - 그리드 검색 전략
- Python의 예
- 데이터 준비
- 데이터 가져오기 및 저장
- 데이터 이해 - 기본 탐색
- Pandas 라이브러리를 사용한 데이터 조작
- 데이터 변환 – 데이터 랭글링
- 탐색적 분석
- 누락된 관찰 – 탐지 및 솔루션
- 이상치 – 탐지 및 전략
- 표준화, 정규화, 이진화
- 정성적 데이터 기록
- Python의 예
- 분류
- 이진 분류와 다중 클래스 분류
- 수학 함수를 통한 분류
- 선형 판별 함수
- 이차 판별 함수
- 로지스틱 회귀 및 확률 접근법
- k-최근접 이웃
- 나이브 베이즈
- 의사결정 트리
- 카트
- 배깅
- Random Forest
- 부스팅
- Xgboost
- 벡터 머신 및 커널 지원
- 최대 마진 분류기
- 지원 벡터 머신
- 앙상블 학습
- Python의 예
- 회귀 및 수치 예측
- 최소제곱 추정
- 변수 선택 기술
- 정규화 및 안정성 - L1, L2
- 비선형성 및 일반화된 최소 제곱
- 다항식 회귀
- 회귀 스플라인
- 회귀 트리
- Python의 예
- 비지도 학습
- 클러스터링
- 중심 기반 클러스터링 – k-평균, k-medoids, PAM, CLARA
- 계층적 클러스터링 – Diana, Agnes
- 모델 기반 클러스터링 - EM
- 자체 구성 지도
- 클러스터 평가 및 평가
- 차원성 감소
- 주성분 분석 및 요인 분석
- 특이값 분해
- 다차원척도법
- Python의 예
- 클러스터링
- 텍스트 마이닝
- 데이터 전처리
- 단어주머니 모델
- 형태소 분석 및 레미화
- 단어 빈도 분석
- 감성분석
- 단어 구름 만들기
- Python의 예
- 추천 엔진 및 협업 필터링
- 추천 데이터
- 사용자 기반 협업 필터링
- 항목 기반 협업 필터링
- Python의 예
- 연관 패턴 마이닝
- 빈번한 항목 집합 알고리즘
- 시장 바구니 분석
- Python의 예
- 이상치 분석
- 극단값 분석
- 거리 기반 이상치 감지
- 밀도 기반 방법
- 고차원 이상치 탐지
- Python의 예
- Machine Learning 사례 연구
- Business 문제 이해
- 데이터 전처리
- 알고리즘 선택 및 튜닝
- 결과 평가
- 전개
Requirements
Machine Learning 기본 사항에 대한 지식 및 인식
21 Hours
회원 평가 (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
Course - 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
Course - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
