課程介紹:
先別急著「深度學習」-深度學習與人工智慧最近特別火熱的原因,除了資料科學的不可或缺,「機器學習」更是主要核心之一。簡單來說,機器學習的演算法讓機器擁有學習能力,像是有了「智慧」一般能夠對真實世界的事件進行判斷及預測。機器學習的應用在我們周遭經常可見,例如:手寫辨識、信貸評估、商品推薦、垃圾郵件偵測、癌症偵測等。
課程目標:
本課程將帶領學員從機器學習所需的R基礎入門,由淺入深透過案例實作的方式讓學習效率大幅提升,以實務應用為主要方向,理解但不鑽研演算法公式,目標讓無程式基礎的學員也能在此門課中得到應用能力。
適合對象:
※無程式經驗者。
※對於此議題有興趣者。
※不排斥數學者。
課程時間及優惠:
課程天數:2天;上午9:00至下午5:00(中午休息1小時)
原價12,000元整 (含上課講義、16小時研習證明與午餐)
早鳥(4月10日前)/舊生:7,000元/人
兩人以上團體:6,500元/人
四人以上團體:6,000元/人
講師介紹:
AsiaAnalytics特聘專業講師:湯明軒 Andrew
創辦資料科學公司,專精R、Python語言及網路爬蟲,在機器學習、推薦系統、自然語言處理、Hadoop巨量資料等領域皆有涉略及專案經驗。超過500小時的資料科學授課經驗,擅長從零開始由淺入深的實作教學。
課程大綱:
課程主題 | 詳細內容 | 時數 |
機器學習必備R基礎 | ●向量、串列及資料框架 ●流程控制與迴圈 ●資料匯入與匯出 | 3 |
資料前處理 | ●資料操弄 ●字串處理 ●雜訊處理 | 2 |
資料轉換 | ●屬性挑選 ●資料降維 ●資料標準化 | 2 |
非監督式學習 | ●K-means集群 ●階層式分群 ●集群結果視覺化 | 2 |
監督式學習 | ●決策樹與隨機森林 ●線性判別分析(LDA) ●支援向量機(SVM) | 3 |
模型評估與調校 | ●交叉驗證(Cross-validation) ●集成方法(Ensemble Methods) ●模型評估與選擇 | 2 |
近期熱門活動...
|