Machine Learning met R

De cursus Machine Learning met R duurt 3 dagen en kost € 1695,-. Basis kennis van R programmeren en basiskennis van statistische methoden zijn vereist.

Omschrijving
In de cursus Machine Learning met R wordt u bekend gemaakt met de belangrijkste terminologie binnen de Machine Learning (ML) en leert u de R libraries toe te passen bij modellerings projecten en machine learning.

Inhoud
Machine Learning is een onderdeel van artificial intelligence en gaat over algoritmes die zich automatisch verbeteren op basis van ervaring. Deze Machine learning algoritmes maken een model gebaseerd op training data en kunnen voorspellingen doen over nieuwe data.

Dagindeling
Dag 1: Introductie dag

Korte herhaling R programmeren
De R Data Types en Data Frames
Statistische functies in R
R Data Files
R Packages
R Algoritmen
Daarna gaan we aan de slag met maken vullen en trainen van een Machine.

Wat is Machine Learning
Building Models of Data
Model Based Learning
Tunable Parameters
Supervised Learning
Discrete Labels
Continuous Labels
Classification and Regression
Unsupervised Learning
Clustering and Dimensionality Reduction
Dag 2: Regression

Check Model
Using Summary
Using Coefficients
Correlation R
R Squared
F Test
Check Model Graphically
Check Residuals
Polynomial Regression
Gaussian Basis Functions
Overfitting

Compare with Linear Regression
Explore with Graphics
Logistic Function
Checking Model
Using Summary
Using Coefficients
Calculate Probabilities
Making Predictions
Confusion Matrix
Accuracy
Precision and Recall
ROC Curve

Functional R

Solving Iteration
purr package
library tidyverse
map Functions
Parameters of map
.x as placeholder
map_lgl Function
map_int and map_char
map2 Function
Other iteration functions
Combine purr with dyplr
walk Function

Dag 3: Machine Learning

MSpark Session
Copy data into Spark
File Setup
Load data
Spark SQL
Store Data
Using dplyr
showquery()
Spark DataFrame Functions
sdf_pivot()
Feature Transformers
Distributed R

Web Applications
Shiny Architecture
Shiny Server
UI and Server
Input Object
Output Object
Reactivity
Render Options
Shiny Functions
Shiny Layout and Dashboard
Shiny Performance

Ensemble Learner
Creating Decision Trees
DecisionTreeClassifier
Overfitting Decision Trees
Ensembles of Estimator
Random Forests
Parallel Estimators
Bagging Classifier
Random Forest Regression
RandomForestRegressor
Non Parametric Model

Leerdoelen
U bent in staat de zelflerende machine te trainen en toe te passen
U bent in staat om zelf een zelflerende machine te ontwikkelen.