Machine Learning using Python

Under den här kursen lär du dig att använda Python för maskininlärning (machine learning). Maskininlärning  handlar i grunden om att bygga mjukvarusystem som lär sig från data. Denna kurs är utformad för att ge en grundläggande förståelse av teorin bakom maskininlärning, inklusive den bredare disciplinen artificiell intelligens. 

Kursen strävar efter att vara så heltäckande som möjligt och inkluderar därför grundläggande aspekter av dataanalys som är avgörande för maskininlärningsprocessen.

Målgrupp och förkunskaper

Den här  kursen passar dig som vill ge dig in i området maskininlärning eller vill lägga till praktiska moment till din nuvarande kunskap inom ämnet. Du kommer särskilt att uppskatta kursen om du föredrar ett praktiskt sätt att lära dig.

Du bör ha erfarenhet av Python eller något annat högnivåspråk, såsom Java, C eller C++.

Detaljerad information

Foundations of Machine Learning

• Machine Learning Perspective of Data
• Scales of Measurement
  • Nominal Scale of Measurement
  • Ordinal Scale of Measurement
  • Interval Scale of Measurement
  • Ratio Scale of Measurement
• Feature Engineering
• Dealing with Missing Data
• Handling Categorical Data
• Normalizing Data
• Feature Construction or Generation
• Exploratory Data Analysis (EDA)
  • Univariate Analysis
  • Multivariate Analysis

Supervised Learning – Regression

• Correlation and Causation
• Fitting a Slope
• Assessing your model
• Polynomial Regression
• Multivariate Regression
• Multicollinearity and Variation Inflation Factor (VIF)
• Interpreting the Ordinary Least Squares (OLS) Regression Results
• Regression Diagnosis
• Regularization
• Nonlinear Regression

Supervised Learning – Classification

• Logistic Regression
• Evaluating a Classification Model Performance
• ROC Curve
• Fitting Line
• Stochastic Gradient Descent
• Regularization
• Multiclass Logistic Regression
• Generalized Linear Models
• Supervised Learning – Process Flow
• Decision Trees
• Support Vector Machine (SVM)
• k Nearest Neighbors (kNN)
• Time-Series Forecasting

Unsupervised Learning Process Flow

• Clustering
• K-means Algorithm
• Finding Value of k in K-means
• Hierarchical Clustering
• Principal Component Analysis (PCA)

Text Mining and Recommender Systems

• Text Mining Process Overview
• Text Data Assemble
• Social Media
• Text Preprocessing
• Data Exploration (Text)
• Model Building
• Text Similarity
• Text Clustering
• Topic Modeling
• Text Classification
• Sentiment Analysis
• Deep Natural Language Processing (DNLP)
• Recommender Systems

Deep and Reinforcement Learning

• Artificial Neural Network (ANN)
• What Goes Behind, When Computers Look at an Image?
• Why Not a Simple Classification Model for Images?
• Perceptron – Single Artificial Neuron
• Multilayer Perceptrons (Feedforward Neural Network)
• MLP Using Keras
• Autoencoders
• Dimension Reduction Using Autoencoder
• Convolution Neural Network (CNN)
• Recurrent Neural Network (RNN)
• Long Short-Term Memory (LSTM)
• Reinforcement Learning