Презентация по машинному обучению
ЧТО НУЖНО СДАТЬ
Оригинальность работы выше 90%
Оформление по ГОСТу
Проходит ИИ-детекторы в 99,9% случаев
Готовые презентации по машинному обучению
Готовую работу можно купить целиком — полный текст пишется заново под покупку. Или создай свою по любой теме в поле наверху.
-
Онлайн обучение: особенности, алгоритмы и применение в динамических средах
- Определение онлайн обучения
- Отличие от пакетного и инкрементального обучения
- Алгоритмы на основе градиентного спуска
- Алгоритмы на основе деревьев решений
-
Оценка качества модели: метрики для задач классификации и регрессии
- Цель и задачи оценки модели
- Разделение данных: обучающая, валидационная, тестовая выборки
- Матрица ошибок и её элементы
- Точность, полнота, F1-мера
-
Кривая ROC: построение, площадь под кривой и интерпретация для бинарной классификации
- TP, FP, TN, FN и матрица ошибок
- Чувствительность и специфичность
- Зависимость TPR от FPR при варьировании порога
- Пример построения ROC по выходам классификатора
-
Отбор признаков: фильтры, обёртки и встраиваемые методы в машинном обучении
- Что такое отбор признаков
- Отбор vs преобразование признаков
- Три парадигмы: фильтры, обёртки, встраиваемые
- Фильтры: статистические и корреляционные критерии
-
Матрица ошибок: элементы, производные метрики и анализ результатов классификации
- Четыре базовых элемента матрицы
- Интерпретация TP, TN, FP, FN на примере диагностики болезни
- Точность, полнота и F1-мера
- Специфичность и ложно-положительная скорость
-
Сверточные нейронные сети: архитектура, слои свертки и применение в CV
- Определение сверточной нейронной сети
- Ключевые отличия от полносвязных сетей
- Слой свертки: ядро, шаг, паддинг
- Слой подвыборки: max- и average-pooling
-
Обучение с подкреплением: основные элементы, политики и алгоритмы Q-обучения
- Агент, среда и взаимодействие
- Награда, состояние и действие
- Детерминированные и стохастические политики
- Эпсилон-жадная и Softmax-политики
-
Кросс-валидация в машинном обучении
- Цель и задачи кросс-валидации
- Переобучение и недообучение в ML
- Hold-out метод
- k-кратная кросс-валидация
Темы по машинному обучению
10 темНужной темы нет в списке? Ничего страшного: — работа напишется по любой теме, даже самой узкой.