Maskinlæring – Fordypning

Lær om maskinlæringskonsepter og arbeidsflyten i et ML-prosjekt.

Forbehandling er sannsynligvis den viktigste fasen i et ML-prosjekt. Dette kapittelet dekker forbehandlingsstegene som trengs for nesten alle datasett.

En pipeline er en ryddig måte å kombinere alle forhåndsprosesseringssteg samt en modell. Pipeliner gjør det mye enklere å trene og bruke en modell.

Modellering er den mest spennende fasen i et ML-prosjekt. La oss lære å bygge, finjustere og evaluere modellen!

Utforsk grunnlaget for matematiske funksjoner. Lær om ulike typer algebraiske og transcendentale funksjoner, deres egenskaper, og hvordan de kan implementeres i Python for å løse reelle problemer.

Behersk konseptene mengder og rekker, fra grunnleggende operasjoner til praktiske anvendelser. Få praktisk erfaring med å implementere mengdeoperasjoner og arbeide med aritmetiske og geometriske rekker i Python.

Utvikle en solid forståelse av grenser, deriverte, integraler og partiellderiverte. Knytt teori til praksis ved å implementere disse konseptene i Python og anvende dem på optimalisering gjennom gradient descent.

Bygg solid kunnskap om vektorer, matriser og transformasjoner. Lær dekomponeringsmetoder og egenverdianalyse, samtidig som konseptene styrkes med Python-kodeutfordringer og praktiske anvendelser innen datavitenskap.

Fordyp deg i sannsynlighetsteori og statistikk. Studer betinget sannsynlighet, Bayes’ teorem og statistiske mål. Implementer sentrale konsepter i Python, simuler fordelinger, og styrk ferdighetene dine gjennom utfordringer og quizer.

La oss begynne med den enkleste lineære regresjonsmodellen! Du vil lære om konseptet bak lineær regresjon og hvordan lage prediksjoner i Python.

De fleste prediksjonsoppgaver i virkeligheten involverer mer enn én variabel. Du vil lære hvordan man håndterer lineær regresjon med flere variabler.

En rett linje beskriver ikke alltid dataene godt. La oss lære hvordan vi kan bygge en mer kompleks modell for prediksjon. Det er dette polynomisk regresjon er egnet for.

Nå som du vet hvordan du bygger flere lineære regresjonsmodeller, trenger du en metode for å velge den beste. Dette kan oppnås ved hjelp av målemetoder. Denne delen forklarer de mest brukte metodene og utfordringene du kan møte ved bruk av dem.

Utforsk hvordan k-nærmeste naboer-algoritmen gjør prediksjoner basert på likhet. Lær å håndtere flere egenskaper, justere parametere og bruke kryssvalidering for å forbedre nøyaktigheten.

Forstå hvordan logistisk regresjon modellerer sannsynligheter og klassifiserer utfall. Øv på implementering, tolkning av beslutningsgrenser og bruk av regularisering for å forhindre overtilpasning.

Lær hvordan beslutningstrær deler data inn i meningsfulle grupper basert på egenskapsverdier. Utforsk hvordan parametere som treets dybde og minimum antall prøver per blad påvirker modellens ytelse og generalisering.

Utforsk hvordan random forest kombinerer flere beslutningstrær for å forbedre nøyaktighet og robusthet. Forstå rollen til tilfeldighet og bruk denne ensemblemetoden på virkelige data.

Vurder modeller ved hjelp av måleparametere som nøyaktighet, presisjon, tilbakekalling og F1-score. Lær å tolke forvirringsmatriser og sammenligne flere klassifikatorer for å identifisere den best presterende modellen.

Fordyp deg i det grunnleggende innen klyngeanalyse og oppdag hvordan det skiller seg fra klassifisering. Utforsk sentrale algoritmer, verktøy og biblioteker som driver denne teknikken for ikke-veiledet læring for å avdekke skjulte mønstre i data.

Få en grundig forståelse av sentrale forhåndsbehandlingsteknikker som sikrer effektiv klyngeanalyse. Lær hvordan man håndterer manglende verdier, koder kategoriske egenskaper, normaliserer data og velger passende avstandsmål og koblinger for å øke nøyaktigheten i klyngeanalysen.

Behersk ferdighetene som kreves for å anvende K-Means-klynging effektivt. Lær hvordan algoritmen fungerer, bestem det optimale antallet klynger, og få praktisk erfaring ved å implementere K-Means på både syntetiske og virkelige datasett.

Utforsk det grunnleggende innen hierarkisk klynging og lær hvordan data kan grupperes i meningsfulle klynger ved hjelp av dendrogrammer. Bygg trygghet i å identifisere det optimale antallet klynger og implementere teknikken på både syntetiske og virkelige datasett.

Utforsk hvordan DBSCAN utmerker seg i å oppdage klynger med varierende former og håndtere støy i data. Lær mekanismene bak denne tetthetsbaserte algoritmen, hvordan punkter tilordnes klynger, og bruk den på både syntetiske og virkelige datasett med trygghet.

Få en grundig forståelse av gaussiske blandingsmodeller og hvordan de bruker sannsynlighet for å modellere komplekse klyngestrukturer. Prinsipper for gaussisk fordeling, utforskning av hvordan GMM fungerer, samt anvendelse på både dummydata og virkelige datasett.

Understand the motivation, history, and core principles behind bio-inspired computation, including evolution, adaptation, and swarm intelligence.

Dive into the structure, operators, and parameter tuning of genetic algorithms.

Investigate algorithms inspired by collective behavior in nature, including ants, particles, and other swarms.

Explore the principles and algorithms inspired by the biological immune system, including negative selection and clonal selection.

Lær hvordan man trener agenter til å ta optimale beslutninger gjennom prøving og feiling. Utforsk det grunnleggende innenfor teori om forsterkende læring. Få praktisk erfaring med å sette opp og kjøre et Gymnasium-miljø.

Forstå utforskning-utnyttelse-avveiningen gjennom multi-armet bandittproblem. Implementering av handlingsverdiestimering, ε-grådig, øvre konfidensgrense og gradient-bandittmetoder. Evaluering av algoritmers ytelse på simulerte belønningsmaksimeringsoppgaver.

Behersk dynamisk programmering for modellbasert RL. Oppdag hvordan Bellman-likninger kan brukes til å evaluere og forbedre policyer. Implementering av policy- og verdiiterasjonsalgoritmer. Utforsk generalisert policyiterasjon som det teoretiske grunnlaget for modellfrie metoder.

Behersk Monte Carlo-metoder for modellfri RL. Estimer verdifunksjoner og utled optimale policyer fra fullstendige episoder. Implementer on-policy og off-policy Monte Carlo-kontrollalgoritmer. Utforsk strategier for utforskning for å optimalisere modellfri læring.

Behersk temporal difference-læring for modellfri RL. Estimeringsmetoder for verdifunksjoner fra delvise episoder ved bruk av TD(0)-oppdateringer. Implementering av on-policy SARSA og off-policy Q-Learning-algoritmer. Utforsk hvordan Monte Carlo-metoder og TD-læring kombineres i n-trinns TD og TD(λ).

Først skal vi diskutere hva et nevralt nettverk er og hvordan det fungerer. Vi vil også vurdere anvendelsesområdet.

Deretter skal vi forsøke å bygge vårt eget nevrale nettverk og se hvor effektivt det håndterer læring. Vi vil også vurdere en ferdig løsning fra scikit-learn-biblioteket.

Til slutt vil vi gi deg tilleggsinformasjon om hvordan du kan forstå hvilken modell som bør brukes og hvilke typer nevrale nettverk som finnes. For å fullføre kurset vil du bli testet på den tilegnede kunnskapen din.