Post Graduate Programma i AI och Machine Learning

Post Graduate-program i AI och maskininlärning 

Artificial intelligence (AI) och Machine Learning (ML)

Med speciella live-sessioner om de senaste AI-ämnena som generativ AI, prompt engineering, ChatGPT och mer.

Få fart på karriären med denna AI- och ML-kurs som ges i samarbete med Purdue University och IBM. Lär dig efterfrågade färdigheter som maskininlärning, djupinlärning, NLP, datorseende, förstärkningsinlärning, generativ AI, prompt engineering, ChatGPT och många fler.

World’s #1Online Bootcamp
Ranked #1 AI and ML course by TechGig 

Varför gå med i detta program?

• Purdues akademiska excellens: Intyg om avslutad utbildning från Purdue University och Simplilearn
• IBM:s kompetens inom branschen: Få IBM-certifikat för IBM-kurser och få tillgång till masterclasses med IBM-experter
• Exponering för de senaste AI-trenderna: Livekurser online för generativ AI, prompt engineering, förklarbar AI, ChatGPT och mycket mer
• Praktisk erfarenhet: Få erfarenhet genom 25+ praktiska projekt och 20+ verktyg med sömlös tillgång till integrerade labb

Om programmet

Artificiell intelligens (AI) och maskininlärning (ML) är bland de mest eftertraktade och högst betalda kompetenserna i den digitala ekonomin. Under det senaste decenniet har AI gett oss självkörande bilar, praktisk taligenkänning, effektiv webbsökning och en avsevärt förbättrad förståelse av det mänskliga genomet. AI är så allmänt förekommande att vi använder det dussintals gånger om dagen utan att vara medvetna om det. Många forskare anser också att det är det bästa sättet att göra framsteg mot AI på mänsklig nivå.

Förstå denna våg och sätt fart på din karriär med detta hyllade program för AI och maskininlärning. Programmet erbjuder en grundlig blandning av teori, projekt och omfattande praktisk övning, samtidigt som det bygger på Caltechs akademiska spetskompetens. Ännu viktigare är att du inte bara kommer att lära dig om de teoretiska grunderna för AI och ML, utan också få den praktiska kunskapen för att snabbt och framgångsrikt tillämpa dessa verktyg och tekniker på nya problem.

Programmet är en blandning av onlinevideor för självstudier, virtuella livekurser, praktiska projekt, labb och masterklasser. Mentorssessioner ger dig en engagerande inlärningsupplevelse med realistiska tillämpningar som hjälper dig att behärska viktiga AI- och ML-färdigheter. Programmet omfattar grundläggande matematiska och statistiska begrepp samt Python-programmering, maskininlärning, deep learning, generativ AI, prompt engineering, förklarbar AI, ChatGPT, datorseende, naturlig språkbehandling med mera.

Viktiga egenskaper

• Certifikat för avslutat Purdue University-program
• Live interaktiva sessioner med branschexperter om de senaste AI-trenderna, såsom generativ AI, prompt engineering och mer
• Programmets längd: 11 månader
• Utbildningsformat: Online bootcamp
• Medlemskap i Purdue University Alumni Association 
• IBM-certifikat för IBM-kurser
• 3 slutprojekt och 25+ praktiska projekt från olika branschdomäner
• Introduktion till ChatGPT, OpenAI, Dall-E, Midjourney och andra framstående verktyg
• Tjäna upp till 22 CEU från Purdue University
• Live online masterklasser undervisade av Caltech fakultetsmedlemmar
• Sömlös tillgång till integrerade labb
• Tillgång till hackathons och Ask Me Anything-sessioner från IBM
• Karriärstöd som hjälper dig att bli uppmärksammad av de bästa arbetsgivarna
• 8 gånger mer interaktion i direktsända onlinekurser med branschexperter

Om Purdue University

Purdue University är ett amerikanskt universitet i West Lafayette i Indiana. Det grundades den 6 maj 1869 av affärsmannen John Purdue. Det rankas som det 60:e främsta lärosätet i världen i Times Higher Educations ranking av världens främsta lärosäten.

Partnerskap med Purdue University

• Få ett gemensamt Purdue-Simplilearn-certifikat
• Masterclasses av Purdue-fakulteten
• Medlemskap i Purdue University Alumni Association

Program i samarbete med IBM

• Branschgodkända IBM-certifikat för IBM-kurser
• Masterclasses från IBM-experter
• Tillgång till Ask Me Anything-sessioner och Hackathons

Kriterier för behörighet

För att bli antagen till detta program måste du ha:

• En grundexamen med ett genomsnitt på 50% eller högre
• Tidigare kunskap om eller erfarenhet av programmering och matematik
• Företrädesvis 2+ års formell arbetslivserfarenhet

Ansökningsförfarande

Steg 1: Skicka in ansökan

Fyll i ansökan och bifoga en kort motivering. I denna motivering får rådgivarna veta varför du är intresserad av och kvalificerad för programmet.

Steg 2: Granska ansökan

En panel med antagningsrådgivare bedömer din ansökan och din motivering för att avgöra om du är behörig att antas.

Steg 3: Antagning

Kvalificerade sökande får ett erbjudande om antagning. Du kan acceptera erbjudandet genom att betala programavgiften.

Vem är programmet avsett för?

Detta program riktar sig till yrkesverksamma från olika branscher och bakgrunder. Mångfalden bland våra studenter gör diskussionerna och interaktionen i klassrummet rikare. Roller inom detta område kräver erfarenhet av och förståelse för verktyg och teknik. Programmet är perfekt för personer som vill göra karriär inom AI och ML, som har kunskap om eller tidigare erfarenhet av programmering och matematik och som är analytiskt lagda.

Yrkesverksamma som vill utveckla AI- och ML-expertis i syfte att:

• Öka effektiviteten i sin nuvarande roll
• Övergå till AI- och ML-roller i sin organisation
• Vill utveckla sin karriär inom branschen
• Utforma ambitioner för entreprenörskap

Färdigheter som omfattas:

• Generative AI
• Prompt Engineering
• ChatGPT
• Explainable AI
• Conversational AI
• Large Language Models
• Supervised and Unsupervised Learning
• Model Training and Optimization
• Model Evaluation and Validation
• Ensemble Methods
• Deep Learning
• Natural Language Processing
• Computer Vision
• Reinforcement Learning
• Speech Recognition
• Machine Learning Algorithms

Programmets resultat

• Lär dig mer om de senaste AI-trenderna, t.ex. generativ AI, prompt engineering, ChatGPT och många fler.
• Förstå innebörden, syftet, omfattningen, stadierna, tillämpningarna och effekterna av AI och ML.
• Utföra vetenskapliga och tekniska beräkningar med hjälp av SciPy-paketet och dess underpaket, t.ex. Integrate, Optimize, Statistics, IO och Weave.
• Behärska begreppen supervised och unsupervised learning, rekommendationsmotorer och tidsseriemodellering.
• Förstå och uppskatta Deep Learning och dess tillämpningar.
• Tillämpa effektiva tekniker för att förbättra prestandan och kontrollera beteendet hos generativa AI-modeller.
• Få en djup förståelse för datavetenskapliga processer, data wrangling, datautforskning, datavisualisering, hypotesgenerering och testning
• Få erfarenhet av matematiska beräkningar med paketet NumPy och scikit-learn
• Validera maskininlärningsmoduler och avkoda olika noggrannhetsmått.
• Få kunskap om neurala nätverk och gå igenom de lager av dataabstraktion som hjälper dig att förstå data som aldrig förr.
• Utforska verktyg, som Keras, för att bygga datorseendeapplikationer
• Utför distribuerade och parallella beräkningar med kraftfulla GPU:er
• Förstå grunderna i naturlig språkbehandling (NLP) med hjälp av det mest populära biblioteket, Pythons Natural Language Toolkit (NLTK)
• Konvertera text till tal med automatiserad taligenkänning
• Lära sig att lösa problem med förstärkningsinlärning med hjälp av olika strategier
• Bli bekant med generativa annonsnätverk (GAN)
• Lär dig mer om förståelse av naturligt språk och generering av naturligt språk
• Förstå hur maskininlärning och djupinlärning kan tillämpas med NLP
• Använd Python och TensorFlow för att förstå teorin om förstärkningsinlärning

Utbildningsplan

• Grundläggande: Essentiella matematik och statistik
• Grundläggande: Uppdatering av programmering
• Grundläggande: Python för datavetenskap (IBM)
• Huvudkurs: Maskininlärning
• Huvudkurs: Tillämpad datavetenskap med Python
• Huvudkurs: Djupinlärning med TensorFlow
• Huvudkurs: Specialisering av djupinlärning
• Huvudkurs: Grundläggande om generativ AI, Prompt Engineering, ChatGPT

Valbara kurser

• Avancerad: ADL och datorseende
• Avancerad: NLP och taligenkänning
• Avancerad: Förstärkningsinlärning
• Akademisk masterclass
• Masterclass för industrin

1. Grundläggande: Matematik och statistik

Kursen Foundations: Mathematics & Statistics Essentials lägger en stark grund i matematiska och statistiska principer och uppmuntrar kritiskt tänkande och problemlösningsförmåga. Kursen ger deltagarna möjlighet att analysera data, fatta välgrundade beslut och tillämpa dessa tekniker på relevanta branschscenarier. Den fungerar som en viktig utgångspunkt för vidare inlärning i programmet.

Läranderesultat

• Förstå nyckelbegrepp inom koordinatgeometri och linjär algebra
• Förstå principerna för egenvärden, egenvektorer och egenkomposition
• Utveckla en solid grund i kalkyl, inklusive förståelse av gränser, derivata och integraler
• Skillnad mellan olika typer av statistik
• Identifiera praktiska tillämpningar av statistik inom olika affärsområden
• Skilja mellan strukturerade och ostrukturerade data
• Beräkna matematiska och positionella medelvärden
• Utforska mått på central tendens såsom medelvärden, medianer, deciler, percentiler, lägen och kvartiler
• Definiera spridningsmått, inklusive intervall, kvartilavvikelse och identifiering av outlier
• Beskriva genomsnittlig absolut avvikelse (MAD), standardavvikelse och varians.
• Behärska begreppen sannolikhet
• Identifiera oberoende och beroende händelser
• Förstå principerna för Bayes teorem
• Behärska tekniker som används för urvalsmetoder
• Undersöka olika resultat av hypotesprövning
• Utföra ensidiga och tvåsidiga tester

Ämnen

Kursen täcker följande ämnen:

• Introduktion till matematik
• Koordinatgeometri
• Linjär algebra
• Egenvärden, egenvektorer och egenkomposition
• Introduktion till kalkyl
• Förståelse av data
• Beskrivande statistik
• Visualisering av data
• Sannolikhet
• Sannolikhetsfördelningar
• Sampling och samplingstekniker
• Inferensstatistik
• Tillämpning av inferensstatistik
• Samband mellan variabler
• Tillämpning av statistik i affärslivet

2. Grundläggande: Uppdatering av programmering

Denna kurs ger dig grundläggande programmeringskunskaper i Python som kommer att fungera som byggstenar för hela din programmeringsresa. Du får lära dig att implementera algoritmer för artificiell intelligens (AI) och maskininlärning (ML), utföra dataanalys och bygga intelligenta system effektivt med Python.

Läranderesultat

• Lär dig om procedur- och objektorienterad programmering
• Upptäck fördelarna med att använda Python
• Installera Python och dess integrerade utvecklingsmiljö (IDE)
• Bekanta dig med Jupyter Notebook och dess användning
• Implementera Python-identifierare, indrag och kommentarer effektivt
• Identifiera Pythons datatyper, operatorer och strängfunktioner
• Lär dig mer om olika typer av loopar i Python
• Utforska omfattningen av variabler inom funktioner
• Förklara begreppen objektorienterad programmering (OOP) och dess funktioner
• Beskriva metoder, attribut och åtkomstmodifierare i Python
• Få en bättre förståelse för multi-threading

Ämnen

• Grundläggande programmering
• Introduktion till Python-programmering
• Datatyper och operatorer i Python
• Villkorliga satser och loopar i Python
• Python-funktioner
• Objektorienterade programmeringskoncept med Python
• Trådning

3. Grundläggande: Python för datavetenskap (IBM)

Denna kurs har utvecklats av IBM och ger deltagarna färdigheter i att använda Python för datavetenskap. I slutet av kursen kommer deltagarna att vara skickliga på att skriva Python-skript och utföra praktisk dataanalys med hjälp av en Jupyter-baserad labbmiljö.

Läranderesultat

• Skapa sitt första Python-program med hjälp av variabler, strängar, funktioner, loopar och villkor
• Förstå och tillämpa begrepp relaterade till listor, uppsättningar, lexikon, villkor, grenar, objekt och klasser i Python
• Använda pandabiblioteket för att ladda, manipulera och lagra data, samt läsa och skriva filer i Python.

Ämnen

• Grunderna i Python
• Datastrukturer i Python
• Grundläggande programmering i Python
• Arbeta med data i Python
• Arbeta med arrayer i NumPy

4. Huvudkurs: Tillämpad datavetenskap med Python

Denna kurs ger en omfattande behandling av nyckelbegrepp inom datavetenskap, med viktiga ämnen som dataförberedelse, modellutveckling och utvärdering. Under kursens gång kommer du att utveckla en stark förståelse för grundläggande Python-koncept som strängar, Lambda-funktioner och listor. Dessutom kommer du att utforska flera viktiga verktyg och bibliotek, inklusive NumPy för effektiv array-manipulation, linjär algebra för matematiska grunder och statistiska begrepp som mått på central tendens och spridning, skevhet, kovarians och korrelation. Kursen fördjupar sig också i hypotesprövningsmetoder som Z-test, T-test och ANOVA, samtidigt som den fokuserar på tekniker för datamanipulation med Pandas. Dessutom kommer du att få färdigheter i datavisualisering med hjälp av populära bibliotek som Matplotlib, Seaborn, Plotly och Bokeh.

Läranderesultat

• Förklara de grundläggande principerna och tillämpningarna för datavetenskap
• Utforska de processer som är involverade i dataförberedelse, modellering och utvärdering
• Tillämpa Python-koncept, inklusive strängar, Lambda-funktioner och listor
• Utveckla en stark förståelse för NumPy och dess tillämpning inom arrayindexering och slicing
• Bli bekant med principerna för linjär algebra och deras relevans inom datavetenskap
• Utforska kalkylens roll i tillämpningar av linjär algebra
• Beräkna och tolka mått på central tendens och spridning
• Förstå statistiska begrepp som skevhet, kovarians och korrelation
• Beskriva begreppen nollhypotes och alternativhypotes
• Undersöka olika hypotesprövningar, inklusive Z-test och T-test
• Förstå begreppet ANOVA (variansanalys)
• Arbeta effektivt med pandas primära datastrukturer: Series och DataFrame
• Använda pandas för att ladda, indexera, återindexera och slå samman data
• Förbereda, formatera, normalisera och standardisera data med hjälp av tekniker som databinning
• Skapa visuellt tilltalande och informativa grafer med hjälp av Matplotlib, Seaborn, Plotly och Bokeh

Ämnen

• Introduktion till datavetenskap
• Grunderna i Python-programmering
• NumPy
• Linjär algebra
• Grundläggande statistik
• Sannolikhetsfördelningar
• Avancerad statistik
• Arbeta med Pandas
• Dataanalys
• Bearbetning av data
• Visualisering av data
• End-to-end-statistikapplikation i Python

5. Huvudkurs: Maskininlärning

Denna kurs erbjuder en omfattande behandling av olika typer av maskininlärning och deras praktiska tillämpningar. Du utforskar maskininlärningens pipeline och fördjupar dig i ämnen som övervakad inlärning, regressionsmodeller och klassificeringsalgoritmer. Du studerar också oövervakad inlärning, inklusive klustringstekniker och ensemblemodellering. Du kommer att utvärdera ramverk för maskininlärning som TensorFlow och Keras, och bygga en rekommendationsmotor med PyTorch.

Läranderesultat

• Granska de olika typerna av maskininlärning och deras egenskaper
• Analysera maskininlärningspipelinen och förstå de operationer som ingår i
• MLOps (Machine Learning Operations)
• Lär dig mer om övervakad inlärning och dess verkliga tillämpningar
• Utforska begreppen overfitting och underfitting och lär dig hur man upptäcker och förhindrar båda
• Analysera olika typer av regressionsmodeller och deras tillämpningar
• Identifiera linjäritet mellan variabler och skapa korrelationskartor
• Lista olika typer av klassificeringsalgoritmer och förstå deras tillämpningar
• Behärska olika typer av tekniker för oövervakad inlärning
• Avgöra när man ska använda oövervakade algoritmer och utforska olika klustringsmetoder
• Utforska olika tekniker för ensemblemodellering, t.ex. bagging, boosting och stacking
• Utvärdera olika ramverk för maskininlärning, inklusive TensorFlow och Keras
• Bygg en rekommendationsmotor med hjälp av PyTorch-biblioteket

Ämnen

• Grundläggande om maskininlärning
• Övervakad inlärning
• Regressionsmodeller och tillämpningar
• Klassificeringsmodeller och tillämpningar
• Inlärning utan tillsyn
• Ensemble-inlärning
• System för rekommendationer

6. Huvudkurs: Djupinlärning med TensorFlow (IBM)

Ta dina maskininlärningskunskaper till nästa nivå med denna omfattande kurs om djupinlärning med TensorFlow och Keras. Få en grundlig förståelse för djupinlärningskoncept så att du kan bygga artificiella neurala nätverk och navigera i komplexa dataabstraktionslager. Genom att utnyttja potentialen i data förbereder den här kursen dig för att utforska nya gränser för artificiell intelligens.

Läranderesultat

• Utveckla en djup förståelse för neurala nätverk och tillämpa dem effektivt i djupinlärningsscenarier
• Få färdigheter i TensorFlow och Keras, oumbärliga verktyg för djupinlärning
• Upptäck praktiska tillämpningar av konvolutionella neurala nätverk (CNN)
• Använd dig av återkommande neurala nätverk (RNN) och autoencoders
• Optimera prestandan hos neurala nätverk med hjälp av tekniker som L2-reglering och felskikt
• Skapa autoencoder-modeller för att upptäcka avvikelser i data

Ämnen

• Introduktion till artificiell intelligens och djupinlärning
• Artificiella neurala nätverk
• Djupa neurala nätverk och verktyg
• Optimering, inställning och tolkningsbarhet av djupa neurala nätverk
• Konvolutionella neurala nätverk (CNN)
• Återkommande neurala nätverk
• Autoencoders

7. Huvudkurs: Specialisering på djupinlärning

Denna omfattande kurs ger dig de nödvändiga färdigheterna för att implementera djupinlärningsverktyg med hjälp av AI/ML-ramverk. Du kommer att utforska de grundläggande begreppen och tillämpningarna av djupinlärning och förstå skillnaden mellan djupinlärning och maskininlärning. Kursen täcker en rad ämnen, inklusive neurala nätverk, framåt- och bakåtpropagering, TensorFlow 2, Keras, prestandaförbättringstekniker, modelltolkningsbarhet, konvolutionella neurala nätverk (CNN), transfer learning, objektdetektering, återkommande neurala nätverk (RNN), autoencoders och skapande av neurala nätverk i PyTorch. I slutet av kursen kommer du att ha en solid grund i djupinlärningsprinciper och förmågan att effektivt bygga och optimera djupinlärningsmodeller med hjälp av Keras och TensorFlow.

Läranderesultat

• Få en förståelse för skillnaderna mellan djupinlärning och maskininlärning.
• Lär dig om de praktiska tillämpningarna av djupinlärning.
• Förstå olika typer av neurala nätverk
• Behärska begreppen framåtpropagering och bakåtpropagering i djupa neurala nätverk (DNN)
• Bekanta dig med tekniker för modellering och prestandaförbättring inom djupinlärning
• Förstå hyperparameterinställning och modellens tolkningsbarhet
• Lär dig om tekniker för drop-out och early stopping och hur de implementeras
• Behärska konvolutionella neurala nätverk (CNN) och objektdetektering
• Förstå grunderna i återkommande neurala nätverk (RNN)
• Förstå grunderna i PyTorch och lär dig hur man skapar ett neuralt nätverk med PyTorch

Ämnen

• Introduktion till djupinlärning
• Artificiella neurala nätverk
• Djupa neurala nätverk
• TensorFlow
• Modelloptimering och prestandaförbättring
• Konvolutionella neurala nätverk (CNN)
• Överföringsinlärning
• Detektering av objekt
• Återkommande neurala nätverk (RNN)
• Transformatormodeller för bearbetning av naturligt språk (NLP)
• Komma igång med autoencoders
• PyTorch

8.Huvudkurs: Grundläggande om generativ AI, Prompt Engineering & ChatGPT

Denna kurs ger en djupgående undersökning av generativa AI-modeller, med tonvikt på ChatGPT. Deltagarna får en omfattande förståelse för grunderna i generativ AI och dess omfattning, prompt engineering, explainable AI, conversational AI, ChatGPT, andra större språkmodeller och mer.

Läranderesultat

• Få en solid grund i generativa AI-modeller, inklusive deras kärnprinciper och olika typer av generativa AI-modeller.
• Förstå begreppet förklarbar AI, förstå dess betydelse och skilja mellan olika tillvägagångssätt för att uppnå förklarbarhet i AI-system.
• Använda effektiva tekniker för prompt engineering för att förbättra prestanda och reglera beteendet hos generativa AI-modeller.
• Utveckla en omfattande förståelse för ChatGPT, inklusive dess operativa mekanismer, framträdande egenskaper och begränsningar.
• Utforska en rad tillämpningar och scenarier där ChatGPT kan användas effektivt.
• Ta till dig finjusteringstekniker för att anpassa och optimera ChatGPT-modeller.
• Känna till de etiska utmaningarna med generativa AI-modeller för att säkerställa ansvarsfull dataanvändning, mildra partiskhet och förhindra missbruk.
• Upptäck den transformativa potentialen hos generativ AI i olika branscher och utforska framstående generativa AI-verktyg.
• Få insikt i framtiden för generativ AI, utmaningarna och nödvändiga steg för att låsa upp dess fulla potential.

Ämnen

• Generativ AI och dess landskap
• AI som kan förklaras
• AI för konversation
• Teknik för uppmaningar
• Utforma och generera effektiva uppmaningar
• Stora språkmodeller
• ChatGPT och dess tillämpningar
• Finjustering av ChatGPT
• Etiska överväganden i generativa AI-modeller
• Ansvarsfull dataanvändning och integritet
• Framtiden för generativ AI
• AI-teknik för innovation

Examensprojektet

Slutprojektet ger dig möjlighet att tillämpa de färdigheter du lärt dig under programmet. Du kommer att lösa branschspecifika utmaningar med hjälp av olika AI- och ML-tekniker. Examensprojektet är det sista steget i kärnutbildningen och hjälper dig att visa din expertis för arbetsgivare.

Extra kurser - valfria kurser:

Avancerad: Avancerad djupinlärning och datorseende

I den här avancerade kursen får du fördjupade kunskaper och praktiska färdigheter i datorseende och djupinlärningstekniker. Kursen täcker olika ämnen, inklusive bildbehandling, konvolutionella neurala nätverk (CNN), objektdetektering, bildsegmentering, generativa modeller, optisk teckenigenkänning, distribuerade och parallella beräkningar, förklarbar AI (XAI) och implementering av djupinlärningsmodeller. I slutet av kursen kommer du att ha expertis för att hantera komplexa datorvisionsutmaningar och framgångsrikt distribuera djupinlärningsmodeller.

Avancerad: Naturlig språkbehandling och taligenkänning

Denna avancerade kurs tar en omfattande titt på tillämpningen av maskininlärningsalgoritmer för att bearbeta enorma mängder data om naturligt språk. Kursen fokuserar främst på förståelse av naturligt språk, funktionsteknik, generering av naturligt språk, automatiserad taligenkänning, tal-till-text-omvandling, text-till-tal-omvandling, talhjälpmedel och uppbyggnad av Alexa-färdigheter. I slutet av kursen kommer du att ha en djup förståelse för vetenskapen bakom bearbetning av naturligt språk och taligenkänning, vilket gör att du kan utveckla avancerade applikationer inom dessa områden.

Avancerad: Förstärkningsinlärning

Denna kurs fördjupar sig i kärnkoncepten för förstärkningsinlärning (RL) och ger dig kunskap och färdigheter för att lösa RL-problem med hjälp av olika strategier i Python och TensorFlow. Du kommer att lära dig de teoretiska grunderna för RL och få praktisk erfarenhet av att tillämpa RL-algoritmer som problemlösningsstrategier. I slutet av kursen kommer du att vara utrustad med färdigheterna för att använda förstärkningsinlärning effektivt i olika applikationer och scenarier.

Projekt under kursen

Projekt 1: E-handel

Utveckla en shoppingapp för ett e-handelsföretag med hjälp av Python

Projekt 2: Livsmedelsservice

Använd tekniker från datavetenskap, t.ex. prediktion av tidsserier, för att hjälpa ett dataanalysföretag att förutsäga efterfrågan på olika restaurangartiklar.

Projekt 3: Detaljhandel

Använd explorativ dataanalys och statistiska tekniker för att förstå de faktorer som bidrar till kundförvärv för ett detaljhandelsföretag.

Projekt 4: Tillverkning

Gör en funktionsanalys för att förstå egenskaperna hos vattenflaskor med hjälp av EDA och statistiska tekniker för att förstå deras övergripande kvalitet och hållbarhet.

Projekt 5: Fastigheter

Använd feature engineering för att identifiera de viktigaste faktorerna som påverkar prisförhandlingar under bostadsköpsprocessen.

Projekt 6: Underhållning

Utför klusteranalys för att skapa en rekommenderad spellista med låtar för användare baserat på deras användarbeteende.

Projekt 7: Mänskliga resurser

Bygg en maskininlärningsmodell som förutspår personalomsättning på ett företag genom att identifiera mönster i deras arbetsvanor och deras önskan att stanna kvar på företaget.

Projekt 8: Frakt

Använd djupinlärningskoncept, som Convolutional Neural Networks (CNN), för att automatisera ett system som upptäcker och förhindrar missöden på grund av mänskliga misstag och identifierar vilken typ av fartyg som är på väg in i hamnen.

Projekt 9: BFSI

Använd djupinlärning för att konstruera en modell som förutsäger potentiella låntagare och säkerställer säkra och tillförlitliga utlåningsalternativ för ett finansinstitut.

Projekt 10: Hälso- och sjukvård

Använd distribuerad inlärning för att konstruera en CNN-modell som kan upptäcka diabetisk retinopati och använd den med TensorFlow Serving för korrekt diagnos.

Projekt 11: Hälso- och sjukvård

Använd deep learning-algoritmer för att utveckla en ansiktsigenkänningsfunktion som hjälper patienter att diagnostisera genetiska sjukdomar och deras variationer.

Projekt 12: Fordonsindustrin

Undersök olycksdata relaterade till Teslas autopilotfunktion för att bedöma korrelationen mellan trafiksäkerhet och användning av autopilotteknik.

Projekt 13: Turism

Använd AI för att kategorisera bilder av historiska strukturer och genomför exploratory data analysis (EDA) för att bygga en rekommendationsmotor som förbättrar marknadsföringsinitiativ för historiska platser.

Information om prov och certifiering

När du har slutfört detta program får du ett certifikat från Caltech CTME. Du kommer också att få IBM-certifikat (exempel på IBM-certifikat ovan) för alla IBM-kurser, tillsammans med certifikat för kurser som slutförts i inlärningsvägen. Dessa certifikat kommer att intyga dina färdigheter som AI- och ML-expert.