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 pendahuluan
- Jenis Pembelajaran mesin – pembelajaran yang diawasi vs tanpa pengawasan
- Dari pembelajaran statistik hingga pembelajaran mesin
- Alur kerja Data Mining:
- Business pemahaman
- Pemahaman Data
- Persiapan data
- Pemodelan
- Evaluasi
- Penyebaran
- Algoritma pembelajaran mesin
- Memilih algoritma yang tepat untuk permasalahan tersebut
- Pertukaran yang berlebihan dan bias-varians dalam ML
- Perpustakaan ML dan bahasa pemrograman
- Mengapa menggunakan bahasa pemrograman
- Memilih antara R dan Python
- Python kursus kilat
- Python sumber daya
- Python Perpustakaan untuk Pembelajaran Mesin
- Notebook Jupyter dan pengkodean interaktif
- Menguji algoritma ML
- Generalisasi dan overfitting
- Menghindari pemasangan yang berlebihan
- Metode ketidaksepakatan
- Validasi silang
- Bootstrapping
- Mengevaluasi prediksi numerik
- Ukuran akurasi: ME, MSE, RMSE, MAPE
- Stabilitas parameter dan prediksi
- Mengevaluasi algoritma klasifikasi
- Akurasi dan permasalahannya
- Matriks kebingungan
- Masalah kelas yang tidak seimbang
- Memvisualisasikan kinerja model
- Kurva keuntungan
- Kurva ROC
- Kurva angkat
- Pemilihan model
- Penyetelan model – strategi pencarian grid
- Contoh di Python
- Persiapan data
- Impor dan penyimpanan data
- Pahami data – eksplorasi dasar
- Manipulasi data dengan perpustakaan pandas
- Transformasi data – Perselisihan data
- Analisis eksplorasi
- Pengamatan yang hilang – deteksi dan solusi
- Pencilan – deteksi dan strategi
- Standarisasi, normalisasi, binerisasi
- Pengodean ulang data kualitatif
- Contoh di Python
- Klasifikasi
- Klasifikasi biner vs multikelas
- Klasifikasi melalui fungsi matematika
- Fungsi diskriminan linier
- Fungsi diskriminan kuadrat
- Regresi logistik dan pendekatan probabilitas
- k-tetangga terdekat
- Bayes Naif
- Pohon keputusan
- KERANJANG
- Mengantongi
- Random Forest detik
- Meningkatkan
- Xgboost
- Mendukung Mesin Vektor dan kernel
- Pengklasifikasi Margin Maksimal
- Mendukung Mesin Vektor
- Pembelajaran ansambel
- Contoh di Python
- Regresi dan prediksi numerik
- Estimasi kuadrat terkecil
- Teknik pemilihan variabel
- Regularisasi dan stabilitas- L1, L2
- Nonlinier dan kuadrat terkecil yang digeneralisasi
- Regresi polinomial
- Garis regresi
- Pohon regresi
- Contoh di Python
- Pembelajaran tanpa pengawasan
- Kekelompokan
- Pengelompokan berbasis centroid – k-means, k-medoids, PAM, CLARA
- Pengelompokan hierarki – Diana, Agnes
- Pengelompokan berbasis model - EM
- Peta yang dapat diatur sendiri
- Evaluasi dan penilaian cluster
- Pengurangan dimensi
- Analisis komponen utama dan analisis faktor
- Dekomposisi nilai tunggal
- Penskalaan Multidimensi
- Contoh di Python
- Kekelompokan
- Penambangan teks
- Memproses data sebelumnya
- Model kantong kata-kata
- Stemming dan lemmisasi
- Menganalisis frekuensi kata
- Analisis sentimen
- Menciptakan awan kata
- Contoh di Python
- Mesin rekomendasi dan pemfilteran kolaboratif
- Data rekomendasi
- Pemfilteran kolaboratif berbasis pengguna
- Pemfilteran kolaboratif berbasis item
- Contoh di Python
- Penambangan pola asosiasi
- Algoritma kumpulan item yang sering
- Analisis keranjang pasar
- Contoh di Python
- Analisis Pencilan
- Analisis nilai ekstrim
- Deteksi outlier berbasis jarak
- Metode berbasis kepadatan
- Deteksi outlier berdimensi tinggi
- Contoh di Python
- Machine Learning studi kasus
- Business pemahaman masalah
- Pemrosesan awal data
- Pemilihan dan penyetelan algoritma
- Evaluasi temuan
- Penyebaran
Requirements
Pengetahuan dan kesadaran tentang Machine Learning dasar-dasar
21 Hours
Testimonials (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
