Machine Learning met R

Review R

Allereerst worden in een review de fundamentals van R besproken zoals data types en functies. Vervolgens komen een aantal belangrijke libraries zoals dplyr en ggplot2 aan bod.

Machine Learning

Dan wordt ingegaan op de principes van machine learning, het bouwen van modellen op basis van data en de verschillen tussen supervised en unsupervised learning.

Regressions

Lineaire regressie en logistische regressie en de verschillen ertussen komen aan de orde. Ook wordt besproken hoe modellen kunnen worden gecheckt op nauwkeurigheid door te kijken naar summaries, coëfficiënten en plots.

Functional R

Vervolgens wordt ingegaan op hoe functionele programmeer technieken in R kunnen worden toegepast. Hierbij worden andere oplossingen voor iteratie middels diverse map en andere functions behandeld.

Sparklyr Intro

Ook is er aandacht voor de benadering van Apache Spark vanuit R door middel van een gedistribueerde data frame implementation met operaties als selection, filtering en aggregation.

Shiny

Visualisatie in interactive web applicaties voor data representatie direct vanuit R via het Shiny package staat eveneens op het programma.

Decision Trees

Dan komen in de cursus Machine Learning met R Decision Trees aan de orde. Dit Machine Learning algoritmes is gebaseerd op classificatie.

Andere Algoritmes

De cursus wordt afgesloten met de behandeling van diverse andere Machine Learning algoritmes zoals Naive Bayes, Principal Component Analysis en Support Vector Machines.

Doelgroep Cursus Machine Learning met R

De cursus Machine Learning met R is bedoeld voor data analisten en data scientists die de R libraries willen gebruiken voor modellering en machine learning.

Voorkennis training Machine Learning met R

Om aan deze cursus te kunnen deelnemen is kennis van en ervaring met de programmeertaal R voor Data Analyse vereist. De nodige voorkennis met betrekking tot statistische methoden en algorithmen is bevordelijk voor de begripsvorming.

Uitvoering cursus Machine Learning met R

De theorie wordt behandeld aan de hand van presentaties. Illustratieve demo's verduidelijken de concepten. De theorie wordt afgewisseld met oefeningen en case studies. De cursustijden zijn van 9.30 tot 16.30.

Officieel Certificaat Machine Learning met R

De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Machine Learning met R.

Modules

Module 1 : R Review

• R Data Types
• Data Frames
• Factors
• Rmarkdown
• tidy package
• Functions in R
• Apply functions
• Statistics
• R Data Files
• Using dplyr Package
• Plotting with ggplot2

Module 2 : Machine Learning

• What is Machine Learning?
• Building Models of Data
• Model Based Learning
• Tunable Parameters
• Supervised Learning
• Discrete Labels
• Continuous Labels
• Classification and Regression
• Unsupervised Learning
• Data Speaks for Itself
• Clustering and Dimensionality Reduction

Module 3 : Linear Regression

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

Module 4 : Logistic Regression

• 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

Module 5 : 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

Module 6 : Sparklyr Intro

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

Module 7 : Shiny

• 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

Module 8 : Decision Trees

• Naive Bayes Classifiers
• Gaussian Naive Bayes
• Principal Component Analysis
• Least Squares
• Polynomial Fitting
• Constrained Linear Regression
• K-Means Clustering
• Support Vector Machines
• Conditional Random Fields
• Explained Variance
• Dimensionality Reduction

Module 9 : Andere Algorithms