Machine Learning w R

Czas trwania
3
dni
Najbliższe terminy tego szkolenia
Cena szkolenia
1800 PLN
(netto)
Skuteczność
Program szkolenia
- Wprowadzenie
- wyjaśnienie znaczenia często mylonych pojęć: sztuczna inteligencja (AI), Machine Learning i Deep Learning
- na czym polega Machine Learning?
- typy problemów, w których sprawdza się ML
- wymagania wobec danych: zbiór treningowy i zbiór testowy
- budowa i selekcja modeli
- na czym polega i po co stosuje się pruning (przycinanie)?
- rola doboru hiperparametrów modelu
- obecne i prognozowane zastosowania Machine Learningu
- Klasyfikacja - metody nadzorowane: analiza skupień (clustring analysis)
- zastosowania analizy skupień
- przygotowanie danych do analizy skupień
- clustering hierarchiczny: funkcja hclust()
- clustering k-średnich: funkcja kmeans()
- Mixture Models i inne metody clusteringu
- selekcja rozwiązań i interpretacja wyników analizy skupień
- Klasyfikacja - metody nienadzorowane: modele predykcyjne
- metoda k najbliższych sąsiadów (k-NN)
- zastosowania i sposób działania
- przykłady implementacji w R
- metoda Naive Bayes
- zastosowania i sposób działania
- przykłady implementacji w R
- drzewa decyzyjne: C5.0, algorytmy 1R i RIPPER, rule learners i inne
- zastosowania i sposób działania
- przykłady implementacji w R
- metoda k najbliższych sąsiadów (k-NN)
- Modelowanie zależności - metody nadzorowane
- model regresji jako narzędzie opisu i zarazem predykcji
- regresja liniowa: lm(), glm()
- interpretacja parametrów modelu
- metody poprawy rozwiązania
- regresja wielomianowa
- dodawanie interakcji międzyzmiennowych do modelu
- regresja logistyczna
- Modelowanie zależności - metody nienadzorowane
- drzewa decyzyjne (decision trees & model trees)
- zastosowania i sposób działania
- przykłady implementacji w R
- reguły asocjacji (association rules)
- zastosowania i sposób działania
- przykłady implementacji w R
- drzewa decyzyjne (decision trees & model trees)
- Dostrajanie hiperparametrów modelu (tuning)
- ogólne reguły doboru hiperparametrów modelu
- wykorzystanie pakietu caret do automatycznego dostrajania modelu
- Poprawa rozwiązań
- metody poprawy rozwiązań: meta-learning: bagging & boosting
- lasy losowe (random forests)
- Podsumowanie
- czego jeszcze z obszaru ML warto się nauczyć?
- przydatne materiały: książki, tutoriale, autoszkolenia i blogi
Opis szkolenia
Szkolenie odbywa się na żywo z udziałem trenera. Nie jest to forma kursu video!-
Po ukończeniu tego szkolenia uczestnik będzie potrafił:
- Rozstrzygnąć, czy dany problem analityczny wymaga i dopuszcza zastosowanie metod uczenia maszynowego
- Adekwatnie dobrać metodę uczenia maszynowego do problemu i struktury danych
- Przygotować dane do analizy, m.in. tworząc zbiory treningowy i testowy
- Uruchomić model w środowisku R i zinterpretować wyniki
- Przeprowadzić analizę skupień / regresję wielozmiennową klasycznymi metodami nadzorowanymi i porównać jakość rozwiązania z modelem wygenerowanym z wykorzystaniem metod Machine Learning
- Dostroić parametry modelu i ocenić jakość rozwiązania
- Zastosować procedury służące poprawie rozwiązania i ocenić ich skuteczność
- Samodzielnie pogłębiać wiedzę i doświadczenie w obszarze Machine Learning
Warunki uczestnictwa
Szkolenie jest kierowane do osób, które chcą w praktyce wykorzystywać metody uczenia maszynowego (Machine Learning) w celu rozwiązywania rzeczywistych problemów analitycznych.Kurs przeznaczony jest dla osób z co najmniej podstawową, a najlepiej średniozaawansowaną znajomością R – tak, aby tłumaczenie składni języka lub znaczenia podstawowych funkcji nie odrywało nas od nauki nowych zagadnień. Do podjęcia zagadnień Machine Learning niezbędna jest wiedza z obszaru zawartego w programie kursu „Analiza danych z wykorzystaniem R – kurs podstawowy”, a udział w kursie średniozaawansowanym jest rekomendowany.
