Machine learning edo ikaste automatikoa R-rekin
Ikastaro-hirukote honen azken helburua da ikasleak gai izatea beren kabuz garatzeko adimen artifizialeko sistema baten motorra izango diren ikasketa automatikoko ereduak.
Horretarako, gaur egungo eredu-tipologien mapa kontzeptual bat erakutsiko da, haien erabilgarritasunaren arabera eratua. Ondoren, ereduak beren tipologiaren arabera baliozkotzeko moduak erakutsiko dira. Eredu nagusien kontzeptu-mapa egin ondoren, tipologia bakoitzaren barruan dauden eredu nagusiak landuko dira, baita haien baliozkotzeak ere.
Ikastaroa egin ondoren, ikasleak gai izango dira machine learning edo ikaste automatikoko eredu desberdinak ezagutzeko eta datu-multzo desberdinei aplikatzeko, bai eta lortutako emaitzen arabera eredurik onena zein den ebaluatzeko ere.
Norentzat
Hainbat arlotako profesional edo ikertzaileak, R lengoaia ezagutu nahi dutenak, eta tresna hori programazioaren, adimen artifizialaren, etengabeko ikaskuntzaren, estatistikaren eta matematiken arloetan erabili.
Eskakizunak
Ikastaro honetan kodearekin egingo dugu lan, baina ikastaroaren zatirik handienaren ardatza ereduen ezaugarriak dira, eta, beraz, ez da ezinbestekoa programazio-ezagutzak izatea ikastaroa egin ahal izateko.
Egitaraua
- Definizioa.
- Kontzeptu-mapa.
- Eredu-familien abantailak eta desabantailak
- Ereduak baliozkotzea.
- Alborapenaren eta bariantzaren arazoak.
- Underfitting (doikuntza eskasa) eta overfitting (gehiegizko doikuntza).
- Gainbegiratutako ereduak:
- Sailkapena:
- Erregresio logistikoa.
- KNN
- Naive Bayes.
- Sailkapen-zuhaitza.
- C5.0.
- Random Forest.
- XGBoost.
- Erregresioa:
- Erregresioa.
- Erregresio-zuhaitza.
- Random Forest.
- XGBoost.
- Sailkapena:
- Gainbegiratu gabeko ereduak:
- Klusterizazioa
- Elkartze-erregelak.
- Kasu praktikoak.
- Aplikazio errealak.
