Eğitim İçeriği

  1. Veri ön işleme

    1. Data Cleaning
    2. Veri entegrasyonu ve dönüşümü
    3. Veri azaltma
    4. Ayrıklaştırma ve kavram hiyerarşisi oluşturma
  2. İstatistiksel çıkarım

    1. Olasılık dağılımları, Rastgele değişkenler, Merkezi Limit Teoremi
    2. Örnekleme
    3. Güven aralıkları
    4. İstatistiksel Çıkarım
    5. Hipotez testi
  3. Çok değişkenli doğrusal regresyon

    1. Spesifikasyon
    2. Alt küme seçimi
    3. Tahmin
    4. Doğrulama
    5. Tahmin
  4. Sınıflandırma yöntemleri

    1. Lojistik regresyon
    2. Doğrusal ayrımcı analiz
    3. K-en yakın komşular
    4. Naive Bayes
    5. Sınıflandırma yöntemlerinin karşılaştırılması
  5. Neural Networks

    1. Sinir ağlarını uyarlama
    2. Sinir ağlarını eğitme sorunları
  6. Karar ağaçları

    1. Regresyon ağaçları
    2. Sınıflandırma ağaçları
    3. Ağaçlar ve Doğrusal Modeller
  7. Bagging, Random Forests, Boosting

    1. Bagging
    2. Random Forests
    3. Boosting
  8. Destek Vektör Makineleri ve Esnek ayrıklaştırma

    1. Maksimum Marj sınıflandırıcı
    2. Destek vektör sınıflandırıcıları
    3. Destek vektör makineleri
    4. 2 ve daha fazla sınıf SVM’ler
    5. Lojistik regresyon ile ilişki
  9. Temel Bileşenler Analizi

  10. Kümeleme

    1. K-ortalamalar kümeleme
    2. K-medoids kümeleme
    3. Hiyerarşik kümeleme
    4. Yoğunluğa dayalı kümeleme
  11. Model Değerlendirmesi ve Seçimi

    1. Yanlılık, Varyans ve Model karmaşıklığı
    2. Örnek içi tahmin hatası
    3. Bayes yaklaşımı
    4. Çapraz doğrulama
    5. Bootstrap yöntemleri
 28 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Danışanlarımızın Yorumları (5)

Yaklaşan Etkinlikler

İlgili Kategoriler