Hands-on kurs Machine Learning med R

Sted: Amesto Solutions AS
Adresse: Smeltedigelen 1, Oslo, Norge - Se kart
Tid: 15.11.2017, kl. 11/15/17 08:30 - 16.11.2017 - kl. 11/16/17 16:00
Pris: 7,900 kr
2 min read

Ønsker du å bidra til verdiskapningen i selskapet du jobber? Har du interesse for data science? Tror du bedriftens data har en uutnyttet verdi?

NextBridge inviterer til et spennende kurs for deg som vil forstå mer og komme tettere på praktisk arbeide med maskinlæring.Her vil du få utvikle en konkret maskinlæringsmodell med R og være bedre rustet til å delta i data science prosjekter i egen bedrift. Hos din arbeidsgiver vil du kunne utnytte kunnskapen til å utforske mulighetene som ligger i avansert analyse for ulike deler av bedriften. Her er det potensielt store verdier å hente for selskapet, og en god investering i kompetansebygging.

Kursets instruktører er 3 av NextBridge Analytics’ senior Data Scientists, som alle har lang erfaring i undervisning og foredrag innen avansert analyse:

Kursbeskrivelse:

Hvordan vet musikk- og film-appene hva du liker? Hvorfor blir noen mailer fanget av spamfilteret, mens andre ikke? Hvordan kan vi forutsi et resultat basert på hundrevis av parametere? Fellesnevneren er maskinlæring.

I dette kurset vil du få en introduksjon til maskinlæring og modellering av data. Du får selv mulighet til å teste ut algoritmene med «hands-on» øvelser i R. Du kommer til å lære å takle hele datasyklusen fra datainnlesning og utforskende analyse til modellering og visualisering. På slutten av kurset får du brukt alle byggeklossene til å lage en interaktiv app som viser fram din maskinlæringsmodell.

Kursplan:

Dag 1: Utforskende analyse og introduksjon til maskinlæring

  • 08:45: Oppmøte Kværnerbyen
  • 09:00 – 09:30: Introduksjon til data science og kursplan. Data syklus fra innlesning til visualisering.
  • 09:30 – 12:00: Utforskende analyse med innlesning, visualisering og transformasjon av data. Hands-on interaktiv gjennomgang.
  • 12:00 – 13:00 Lunsj
  • 13:00 – 16:00: Introduksjon til maskinlæring med eksempler og konsepter. Hands-on på regresjon.

Dag 2: Hands-on maskinlæring og interaktiv visualisering

  • 08:45: Oppmøte Kværnerbyen
  • 09:00 – 12:00: Hands-on klassifisering og clustering med videre forelesning. Evaluering og modellvalg.
  • 12:00 – 13:00 Lunsj
  • 13:00 – 16:00: Presentasjon av modellen eller resultatene i en interaktiv shiny app. Miks av introduksjon og hands-on på egenhånd.

Hva sitter du igjen med etter kurset:

  • Forstå prediktive modeller som brukes i Machine Learning, samt hands-on erfaring med å bruk av dette i R.
  • Vite hvilke ML-metoder som er relevante for ulike problemstillinger innen dataanalyse.
  • Forstå prinsipper for effektiv arbeidsflyt i data science-prosjekter.
  • Lære hvordan «data wrangling» og modellering kan skriptes effektivt i R, ved hjelp av Tidyverse og relevante ML-algoritmer.

Kursinfo:

Varighet: 2 dager

Forkunnskaper:
Fordel med erfaring innen enten R, Matlab, Python, SAS, SQL eller lignende språk. Det er ikke påkrevd at deltakeren har erfaring med maskinlæring.

Forberedelse:
Når du melder deg på kurset sender vi deg en beskrivelse på hvordan man installerer R, RStudio og Tidyverse, og kommer i gang.

Antall plasser:
Max 20, for å sikre godt instruktør/deltaker-forhold og optimalisere læring.

Tidspunkt:
15-16. november 2017, 08:45 – 16.00.

Sted:
Amesto Solutions AS, Smeltedigelen 1, 0195 Oslo. Oppmøte i resepsjonen.

Pris:
7.900,-  pr person.

Addresse: Smeltedigelen 1, Oslo, Norge

About the Author

Lars er utdannet diplomøkonom fra BI, og har en MBA-grad fra Lancaster University. Han har lang erfaring fra brukersiden av BI-løsninger. Balansert målstyring er hans spesialfelt, hvor han har nærmere 20 års erfaring som bruker, prosjektleder på innføring, og som konsulent. Han benyttes gjerne i innledende fase av BI-løsninger, for å avdekke kundens målsettinger og forventninger, samt prosjekt-scope. Han bistår gjerne kunden med workshops omkring BI-strategi, modenhetsanalyser eller BI Competency Center. Han er hyppig benyttet som foredragsholder.