Machine Learning w R

Program szkolenia

1. 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
2. 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
3. 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
4. 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
5. 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
6. Dostrajanie hiperparametrów modelu (tuning)
   • ogólne reguły doboru hiperparametrów modelu
   • wykorzystanie pakietu caret do automatycznego dostrajania modelu
7. Poprawa rozwiązań
   • metody poprawy rozwiązań: meta-learning: bagging & boosting
   • lasy losowe (random forests)
8. Podsumowanie
   • czego jeszcze z obszaru ML warto się nauczyć?
   • przydatne materiały: książki, tutoriale, autoszkolenia i blogi