0

Язык R для машинного обучения

  • Код курса: F.BDDSML
  • Длительность: 5 д.
  • Цена: 90 000 Р

Аудитория

  • Специалисты по работе с большими данными, бизнес аналитики и руководители, желающие получить расширенную теоретическую и практическую подготовку по методам Data Mining для участия в проектах анализа больших данных.
Предварительная подготовка
  • Знание основ статистики; 
  • Опыт работы c RStudio;
  • Знания в рамках курса Анализ данных и визуализация в R.
Аннотация
 
В курсе изучаются алгоритмы машинного обучения для применения их в программах на языке R. В рамках курса рассматриваются основные алгоритмы регрессии, классификации, перекрестной проверки, метод LASSO, методы понижения размерности, деревья принятия решений, методы поддерживающих вектором SVM. Также рассматриваются методы обучения без учителя такие, как методы принципиальных компонент PCA и кластеризации. В результате курса слушатели поймут принципиальные основы популярных алгоритмов машинного обучения, смогут выбирать соответствующий практической задаче инструмент решения и применять его.
 
Программа курса
  1. Статистическое обучение.
    1. Оценки.
    2. Обучение с учителем и без.
    3. Регрессия и классификация.
    4. Оценка точности модели.
  2. Линейная регрессия.
    1. Простая линейная регрессия.
    2. Парная и множественная регрессия.
    3. Предсказания.
    4. Проблемные моменты в линейной регрессии.
  3. Классификация.
    1. Обзор классификации.
    2. Логистическая регрессия.
    3. Линейный дискриминантный анализ.
  4. Генерация повторной выборки Resampling.
    1. Перекрестная проверка Cross-Validation.
    2. Воссоздание эмпирического распределения по выборке Bootstrap.
  5. Выбор линейной модели и регуляризация.
    1. Наилучшая выборка.
    2. Гребневая регрессия.
    3. Метод LASSO.
    4. Понижение размерности.
  6. Нелинейные методы.
    1. Полиномиальная регрессия.
    2. Регрессионные сплайны.
    3. Гибкие сплайны.
    4. Генерализованные GAM модели.
  7. Деревья.
    1. Деревья принятия решений.
    2. Баггинг и случайные леса.
  8. Машины поддерживающих векторов SVM.
    1. Максимальный граничный классификатор.
    2. Классификаторы поддерживающих векторов.
    3. Машины поддерживающих векторов.
  9. Обучение без учителя.
    1. Метод PCA.
    2. Кластеризация.
Записаться на курс: Язык R для машинного обучения

Город проведения

* - обязательные поля


Поделиться
Отправьте другу или начальнику ссылку на почту
Заявка на обучение

* - обязательные поля

Заявка на обучение

Записаться на курс:

Город:

Дата:

Город проведения

* - обязательные поля