Академия Специальных Курсов по Компьютерным Технологиям
    Главная страница Послать письмо
 
AskIt.ru  
   
   
   
   
   
   
 
 
  Главная / Заказные курсы / Учебный курс Добыча данных и машинное обучение с применением языка R
 
 

Учебный курс "Добыча данных и машинное обучение с применением языка R"

Краткое содержание: модели машинного обучения, контролируемые и неконтролируемые алгоритмы, алгоритмы с подкреплением, логистическая регрессия, деревья решений, нейронная сеть, усредненное восприятие, метод опорных векторов, обнаружение аномалий, применение языка R и пакетов R, визуализация результатов модели, оценка эффективности и оптимизация модели

Задача курса:
научить специалистов приемам и алгоритмам добычи данных при помощи моделей машинного обучения и средств языка R

Для кого предназначен: специалисты, которым нужно выполнять анализ данных и выявлять закономерности на основе анализа большого объема данных

Предварительная подготовка:
Слушатели должны уметь работать с офисными пакетами и с операционной системой Windows, обладать базовой математической подготовкой

Продолжительность курса:
5 дней (40 учебных часов)

В курсе 16 модулей. К каждому модулю предусмотрены практические задания с подробными ответами. На выполнение практических заданий отводится 50 процентов времени учебного курса.

План учебного курса:

1. Введение в язык R для анализа и обработки данных

2. Инструментарий для работы с языком R

3. Пример решения задачи на языке R
3.1. Подготовка рабочей области машинного обучения (Machine Learning Workspace)
3.2. Применение шаблонов рабочей области машинного обучения
3.3. Настройка разрешений на рабочую область и предоставление доступа другим пользователям

4. Импорт данных для машинного обучения из источника

5. Создание простой модели обучения и приемы работы с моделями
5.1. Моментальные снимки модели
5.2. Работа с версиями модели
5.3. Импорт и экспорт модели в формате JSON
5.4. Работа с итерациями машинного обучения
5.5. Автоматизация работы с моделями средствами PowerShell

6. Выбор алгоритма обучения
6.1. Контролируемые и неконтролируемые алгоритмы. Алгоритмы с подкреплением
6.2. Факторы выбора алгоритма: точность, время обучения, линейность, граница нелинейного класса, данные с нелинейным трендом, количество параметров

7. Алгоритмы двухклассовой классификации
7.1. Логистическая регрессия
7.2. Лес решений
7.3. Джунгли решений
7.4. Увеличивающееся дерево решений
7.5. Нейронная сеть
7.6. Усредненное восприятие
7.7. Метод опорных векторов
7.8. Локально глубокий метод опорных векторов
7.9. Точечная машина Байеса

8. Алгоритмы многоклассовой классификации
8.1 Логистическая регрессия
8.2 Лес решений
8.3 Джунгли решений
8.4 Нейронная сеть
8.5 One-v-all

9. Регресионные алгоритмы
9.1 Линейная регрессия
9.2 Байесовская линейная регрессия
9.3 Лес решений
9.4 Увеличивающееся дерево решений
9.5 Квантильная регрессия быстрого леса
9.6 Нейронная сеть
9.7 Регрессия Пуассона
9.8 порядковая регрессия


10. Алгоритмы обнаружения аномалий
10.1 Метод опорных векторов
10.2 Обнаружение аномалий на основе анализа первичных компонентов

11. Особенности применения алгоритмов машинного обучения к текстовым данных

12. Применение языка R для создания и управления моделями машинного обучения. Пакеты R
12.1. Синтаксис языка R:
12.1.1 Переменные и типы данных
12.1.2. условные операторы if() и ifelse(), циклы for, while, repeat
12.1.3 Функции R
12.1.4. Работа с объектами и пакетами в R
12.2. Математические приемы работы в R: числовые векторы, факторы, пропущенные данные, матрицы, списки, таблицы данных, векторизованные вычисления, работа с вероятностями
12.3. Задачи оптимизации в R: одноразмерные задачи, метод Ньютона, метод Нелдера — Мида, метод Бройдена — Флетчера — Гольдфарба — Шанно (BFGS), алгоритм имитации отжига, метод доверенных регионов, симплекс-метод, генетический алгоритм
12.4. Вероятностные функции в R: дискретные и непрерывные распределения, распределение Бернулли, биномиальное распределение, мультиномиальное распределение, распределение Пуассона, непрерывное равномерное распределение, нормальное и непрерывное распределения

13. Визуализация полученных результатов

14. Оценка эффективности модели машинного обучения

15. Оптимизация параметров модели машинного обучения

16. Интерпретация результатов работы модели машинного обучения

 
 
 
 
   
   
   
 
 
© 2004-2016, Академия Специальных Курсов
по Информационным Технологиям
.
Все права защищены.

Разработка NevaStudio
г. Санкт-Петербург, Васильевский остров,
20-я линия, д. 7
Офис 101, 2-й этаж
Телефон: 8(812)922-47-60
E-mail: info@askit.ru