Machine Learning - Maskininlärning - e-learning

Machine Learning - Maskininlärning - e-learning

Säkerställ din karriär med den här kursen i maskininlärning. Lär dig denna spännande gren av artificiell intelligens med ett program med tillämpad inlärning, interaktiva labb, fyra praktiska projekt och mentorskap. Med vår utbildning i maskininlärning behärskar du de begrepp för maskininlärning som krävs för en certifiering i maskininlärning. Den här onlinekursen i maskininlärning kommer att utrusta dig med de färdigheter som behövs för att bli en framgångsrik maskininlärningsingenjör idag.

Certifieringskursen i maskininlärning lämpar sig väl för deltagare på mellannivå, inklusive analyschefer, affärsanalytiker, informationsarkitekter, utvecklare som vill bli datavetare och akademiker som vill göra karriär inom datavetenskap och maskininlärning.

Den här onlinekursen ger en djupgående översikt över ämnen som rör maskininlärning, inklusive arbete med realtidsdata, utveckling av algoritmer med hjälp av övervakad och oövervakad inlärning, regression, klassificering och tidsseriemodellering. Du kommer också att lära dig att använda Python för att göra förutsägelser från data.

Programfunktioner:

• 58 timmars blandad inlärning
• 15 timmars självstudier online 46 timmars lärarledd utbildning.
• Fyra branschbaserade slutprojektsarbeten.
• Interaktivt lärande med Jupyter notebooks integrerade labb
• Dedikerad mentorsession från lärare med branschexperter.

Hur utbildningen genomförs

Programmet erbjuder en unik kombinerad lösning: e-learning och virtuella "live"-klassrumskurser. Under lektionerna är du i kontakt med utbildaren och andra deltagare. Du kan ställa alla dina frågor. Du kan närvara vid vissa sessioner och vi spelar även in sessionerna. Du kommer aldrig att missa ett tillfälle att delta.

Målgrupp

• Dataanalytiker som söker vidareutbildning
• Datavetare som arbetar med prediktionsmodellering
• Alla yrkesverksamma med Pythonkunskaper och intresse för statistik och matematik Utvecklare av företagsinformation.

Viktiga inlärningsresultat:

• Behärska begreppen övervakad och oövervakad inlärning, rekommendationsmotor och tidsseriemodellering.
• Praktisk behärskning av principer, algoritmer och tillämpningar av maskininlärning genom ett praktiskt tillvägagångssätt som innefattar arbete med fyra stora projekt från början till slut och 25+ praktiska övningar.
• Fördjupade kunskaper om statistiska och heuristiska aspekter av maskininlärning.
• Implementera modeller som stödvektormaskiner, kärn-SVM, naive Bayes, klassificering av beslutsträd, klassificering av slumpmässiga skogar, logistisk regression, K-means-klustring med mera i Python.
• Validera modeller för maskininlärning och avkoda olika noggrannhetsmått.
• Förbättra de slutliga modellerna med hjälp av en annan uppsättning optimeringsalgoritmer, inklusive boosting- och bagging-tekniker.
• Förstå teoretiska begrepp och hur de relaterar till praktiska aspekter av maskininlärning.

Detaljer och kriterier för certifiering:

• Krav: 85 procent av självstudier online eller deltagande i en kurs i ett virtuellt klassrum.
• Ett resultat på minst 75 procent i den slutliga kursutvärderingen.
• Godkänd utvärdering av minst ett projekt.

Kursprogram:

Lektion 01 - Kursintroduktion

• Kursintroduktion

Lektion 02 - Introduktion till artificiell intelligens och maskininlärning

Lärandemål

• Framväxten av artificiell intelligens
• Artificiell intelligens i praktiken
• Sci-Fi-filmer med konceptet AI-rekommendationssystem
• Förhållandet mellan artificiell intelligens, maskininlärning och datavetenskap - del A Förhållandet mellan artificiell intelligens, maskininlärning och datavetenskap - del B Definition och egenskaper hos maskininlärning
• Metoder för maskininlärning Tekniker för maskininlärning
• Tillämpningar av maskininlärning - del A Tillämpningar av maskininlärning - del B Huvudsakliga frågor.

Lektion 03 - Förbehandling av data

Lärandemål

• Utforskning av data: Laddning av filer Demo: Import och lagring av data
• Övning: Datautforskning I Tekniker för datautforskning: Del 1 Tekniker för datautforskning: Del 2 Seaborn
• Demo: Korrelationsanalys
• Övning: Datautforskning II Data Wrangling
• Saknade värden i en datamängd Uttalare i en datamängd
• Demo: Övning: Datautforskning III
• Manipulering av data
• Funktioner för dataobjekt i Python: del A Funktioner för dataobjekt i Python: del B Olika typer av anslutningar
• Typindelning
• Demo: Övning: Jämförelse av arbetstider Övning: Datamanipulering
• Huvudsakliga resultat
• Slutprojekt: Spara testresultat

Lektion 04 - Vägledning

Lärandemål

• Handledd inlärning
• Övervakad inlärning - ett verkligt scenario Förståelse för algoritmen Flödet av övervakad inlärning
• Typer av övervakad inlärning - del A Typer av övervakad inlärning - del B
• Typer av klassificeringsalgoritmer Typer av regressionsalgoritmer - del A Fallstudie om regressionsanvändning
• Siffror för noggrannhet Kostnadsfunktion
• Utvärdering av koefficienter Demo: Linjär regression Praktik: Boston Homes I Utmaningar i samband med förutsägelser
• Typer av regressionsalgoritmer - del B Demo: Bigmart
• Övning: Boston Homes II Logistisk regression - del A Logistisk regression - del B Sigmoid sannolikhetsmatris
• Demo: Titanic-passagerarnas överlevnad Praktik: Iris-arter
• Viktigaste resultat
• Slutprojekt: Kostnader för sjukförsäkring

Lektion 05 - Funktionsteknik

Lärandemål

• Val av egenskaper Regressionsfaktoranalys
• Processen för faktoranalys
• Huvudkomponentanalys (PCA) Första huvudkomponenten Egenvärden och PCA
• Demo: Feature Reduction Practice: PCA transformation Linear Discriminant Analysis Maximum separable line
• Hitta maximal separerbar linje Demo: Reduktion av märkta egenskaper Praktik: LDA-transformation
• Huvudsakliga resultat
• Slutprojekt: Förenkling av cancerbehandling

Lektion 06 - Lärande av tillsyn: Klassificering

Lärandemål

• Översikt över klassificering
• Klassificering: En algoritm för övervakad inlärning Användningsområden
• Klassificeringsalgoritmer Beslutsträd Klassificerare Beslutsträd: Exempel Beslutsträdsbildning Val av klassificerare Överanpassning av beslutsträd
• Random Forest Classifier - Bagging och Bootstrapping Beslutsträd och Random Forest Classifier Prestandamått: Kostnadsmatris
• Demo: Hästars överlevnad Praktik: Analys av lånerisker Naive Bayes-klassificator
• Steg för att beräkna sannolikheten i efterhand: Del A: Steg för att beräkna sannolikheten efteråt: Steg för att beräkna sannolikheten efteråt: Del B Stödvektormaskiner: Linjär separerbarhet Stödvektormaskiner: Klassificeringsmarginal Linjär SVM: Matematisk representation
• Icke-lineära SVM:er Kärnan Tricket
• Demo: Röstklassificering Övning: Huvudpunkter: Klassificering av kollegor
• Slutprojekt: Klassificering av kinematiska data

Lektion 07 - Inlärning utan övervakning

Översikt över inlärningsmålen

• Exempel och tillämpningar av oövervakad inlärning Klusterbildning
• Hierarkisk klustring Hierarkisk klustring: Exempel Demo: Klustering Djur Praktik: Kundsegmentering K-means Klustering
• Optimalt antal kluster
• Demo: Klusterbaserad stimulering Praktik: Bildsegmentering
• Huvudsakliga resultat
• Slutprojekt: Klustring av bilddata

Lektion 08 - Modellering av tidsserier

Lärandemål

• Översikt över tidsseriemodellering Mönster av tidsserier Del A Mönster av tidsserier Del B Vitt brus
• Stationaritet
• Borttagning av icke-stationäritet Demo: Flygpassagerare I Övning: Tidsseriemodeller Del A Tidsseriemodeller Del B Tidsseriemodeller Del C
• Steg i tidsserieprognoser Demo: Flygpassagerare II Övning: Ölproduktion II
• Huvudsakliga resultat
• Slutprojekt: Prognostisering av IMF:s råvarupriser

Lektion 09 - Lärande i ensembler

Lärandemål

• Metoder för ensembleinlärning Del A Metoder för ensembleinlärning Del B AdaBoosts funktionssätt
• AdaBoost-algoritmen och flödesschema Gradient Boosting
• XGBoost
• XGBoost-parametrar Del A XGBoost-parametrar Del B Demo: Pima-indianers diabetes
• Övning: Linjära separerbara typer av modellval
• Vanliga uppdelningsstrategier Demo: Korsvalidering Övning: Modellval Viktiga anteckningar
• Slutprojekt: Justering av klassificeringsmodellen med XGBoost

Lektion 10 - Rekommendationssystem

Lärandemål

• Introduktion
• Mål för rekommendationssystem Paradigmer för rekommendationssystem Collaborative Filtering Del A Collaborative Filtering Del B Association Rule Mining
• Utvinning av associationsregler: analys av marknadskorgar Generering av associationsregler: Apriori-algoritmen Apriori-algoritmen Exempel: Del A
• Exempel på Apriori-algoritm: Del B Apriori-algoritm: Val av regel
• Demo: Rekommendationsmodell för användarfilmer Praktik: Rekommendation film-film Huvudpunkter
• Slutprojekt: Rekommendation av bokuthyrning

Lektion 11 - Ordbehandling

Lärandemål

• Översikt över ordbehandling Vikten av ordbehandling Användning av ordbehandling
• Biblioteket Natural Language Toolkit
• Textutvinning och förbehandling: Tokenisering Textutvinning och förbehandling: N-grams
• Textextraktion och förbehandling: borttagning av stoppord Textextraktion och förbehandling: röstning
• Textextraktion och förbehandling: Lemmatisering Textextraktion och förbehandling: POS-märkning
• Textextraktion och förbehandling: igenkänning av namngivna enheter Arbetsflöde för NLP-processer
• Demo: Behandling av Brown Corpus Praktik: Wiki Corpus Strukturering av meningar: Syntax Rendering Syntaxträd
• Strukturering av meningar: Chunking och Chunk Parsing NP och VP Chunk och Parser
• Strukturering av meningar: Chinking Kontextfri grammatik (CFG) Demo: Twitter Sentiments Praktik: Sentiment airline
• Viktigaste resultat
• Slutprojekt: Världsmästerskapet i fotboll

Projekt som behandlas:

Projekt 1: Uber Price Prediction

Utforma en algoritm som förutspår en passagerares pris.

Uber vill förbättra noggrannheten hos sin prisförutsägelsemodell. Hjälp Uber genom att välja den bästa data- och AI-tekniken för att bygga nästa generations modell.

Projekt 2: Mercedes-Benz grönare tillverkning

Minska den tid som en Mercedes-Benz tillbringar på testbänken.

Mercedes-Benz vill förkorta den tid som modellerna tillbringar på testbänken för att snabbare kunna ta dem till marknadsföringsfasen. Bygg och optimera en algoritm för maskininlärning för att lösa detta problem.

Projekt 3: Amazon.com - Tillgång för anställda

Utforma en algoritm för att exakt förutsäga åtkomsträttigheter för Amazon-anställda. Använd data om Amazon-anställda och deras åtkomsträttigheter för att bygga en modell som automatiskt bestämmer åtkomsträttigheter när anställda går in i och lämnar en roll inom Amazon.

Projekt 4: Inkomstkvalificering

Identifiera vilken nivå av inkomstkvalifikation som behövs för familjer i Latinamerika.

Interamerikanska utvecklingsbanken vill kvalificera människor för ett biståndsprogram. Hjälp banken att bygga upp och förbättra noggrannheten hos datasetet med hjälp av en random forest-klassificator.