Python for Machine Learning

Python for Machine Learning

This course is about the fundamental concepts of machine learning, focusing on regression, SVM, decision trees and neural networks. These topics are getting very hot nowadays because these learning algorithms can be used in several fields from software engineering to investment banking. Learning algorithms can recognize patterns which can help detect cancer for example or we may construct algorithms that can have a very good guess about stock prices movement in the market

สาขากรุงเทพฯ (ลาดพร้าว)
  • ยังไม่มีรอบเปิดอบรม (ลงชื่อจองไว้ได้)
  • Solving regression problems (linear regression and logistic regression)
  • Solving classification problems (naive Bayes classifier, Support Vector Machines - SVMs)
  • Using neural networks (feedforward neural networks, deep neural networks, convolutional neural networks and recurrent neural networks
  • The most up to date machine learning techniques used by firms such as Google or Facebook
  • Face detection with OpenCV
  • TensorFlow and Keras
  • Deep learning - deep neural networks, convolutional neural networks (CNNS), recurrent neural networks (RNNs)
  • นักเรียนนักศึกษา
  • ครู อาจารย์ วิทยากรที่สนใจ
  • นักวิชาการ นักไอที หรือผู้ดูและระบบ
  • ตลอดจนผู้สนใจทั่วไป
  • Basic Python
  • Advanced Python
  • การใช้งานคอมพิวเตอร์พื้นฐานได้คล่องแคล่ว สร้างไฟล์ โฟลเดอร์ ก๊อปปี้ ลบ แก้ไขไฟล์ต่าง
  • มีพื้นฐานการเขียนโปรแกรมในภาษาอื่น ๆ มาบ้าง
  • มีความเข้าใจในการใช้งานอินเตอร์เน็ตและสืบค้นข้อมูลได้
  • 18 ชั่วโมง
  • ราคาปกติ 8,500 บาท / คน
  • โปรโมชั่นลด 10% เหลือ 7,650 บาท / คน
  • ราคาเหมาจ่าย (ผู้อบรมตั้งแต่ 10 คน) ตามแต่ตกลงกัน
  • ขอใบเสนอราคา

Module 1: Environment Setup

  • Installing PyCharm and Python on Windows
  • Installing PyCharm and Python on Mac
  • Installing TensorFlow and Keras

Module 2: Artificial Intelligence Basics

  • Why to learn artificial intelligence and machine learning?
  • Introduction to machine learning

Module 3: Linear Regression

  • Linear regression introduction
  • Linear regression theory - optimization
  • Linear regression theory - gradient descent
  • Linear regression implementation

Module 4: Logistic Regression

  • Logistic regression introduction
  • Logistic regression example - sigmoid function
  • Cross validation introduction
  • Cross validation example

Module 5: K-Nearest Neighbor Classifier

  • K-nearest neighbor introduction
  • K-nearest neighbor introduction - lazy learning
  • K-nearest neighbor introduction - Euclidean-distance
  • K-nearest neighbor implementation 

Module 6: Naive Bayes Classifier

  • Naive Bayes classifier introduction
  • Naive Bayes classifier implementation
  • Text clustering - basics
  • Text clustering - inverse document frequency (TF-IDF)
  • Naive Bayes example - clustering news

Module 7: Support Vector Machines (SVMs)

  • Support vector machine introduction - linear case
  • Support vector machine introduction - non-linear case
  • Support vector machine introduction - kernels
  • Support vector machine example - simple
  • Support vector machine example - iris dataset
  • Support vector machines example - parameter tuning
  • Support vector machine example - digit recognition
  • Support vector machine example - digit recognition

Module 8: Machine Learning Project - Face Recognition

  • The Olivetti dataset
  • Understanding the dataset
  • Finding optimal number of principal components (eigenvectors)
  • Understanding "eigenfaces"
  • Constructing the machine learning models
  • Using cross-validation

Module 9: Feed-Forward Neural Network Theory

  • Artificial neural networks - inspiration
  • Artificial neural networks - layers
  • Artificial neural networks - the model
  • Why to use activation functions?
  • Neural networks - the big picture
  • Using bias nodes in the neural network
  • How to measure the error of the network?
  • Optimization with gradient descent
  • Gradient descent with backpropagation

Module 10: Machine Learning Project - Identifying Objects with CNNs

  • What is the CIFAR-10 dataset?
  • Preprocessing the data
  • Fitting the model
  • Tuning the parameters - regularization
12/02/2021 15:23:04