Machine Learning - Machinaal leren - e-learning

Machine Learning

Verzeker u van carrièresucces met deze Machine Learning cursus. Leer deze spannende tak van Kunstmatige Intelligentie met een programma met Toegepast Leren, interactieve labs, 4 hands-on projecten en mentoring. Met onze Machine Learning training, beheersen Machine Learning concepten zijn vereist voor een Machine Learning certificering. Deze Machine Learning online cursus zal u voorzien van de vaardigheden die nodig zijn om vandaag een succesvolle Machine Learning Engineer te worden.

De Machine Learning certificering cursus is zeer geschikt voor deelnemers op het intermediaire niveau, waaronder, analytics managers, business analisten, informatie architecten, ontwikkelaars op zoek om data wetenschappers te worden, en afgestudeerden op zoek naar een carrière in Data Science en Machine Learning.

Deze online cursus biedt een diepgaand overzicht van machine learning onderwerpen, waaronder het werken met real-time data, het ontwikkelen van algoritmes met behulp van supervised en unsupervised learning, regressie, classificatie en tijdreeksmodellering. U leert ook hoe u Python gebruikt om voorspellingen te doen op basis van gegevens.

Programma-eigenschappen:

• 58 uur blended learning
• 15 uur online zelfstudie 46 uur training onder leiding van een instructeur
• Vier op de industrie gebaseerde eindexamenprojecten
• Interactief leren met Jupyter notebooks geïntegreerde labs Toegewijde mentorsessie van faculteit van industrie-experts

Wijze van levering van deze opleiding

Het programma biedt een unieke gecombineerde oplossing: e-learning en virtuele 'live' klassikale cursussen. Tijdens de lessen staat u in contact met de trainer en andere deelnemers. U kunt al uw vragen stellen. U kunt een aantal sessies bijwonen en we nemen de sessies ook op. U zult nooit de kans missen om deel te nemen.

Doelgroep:

• Gegevensanalisten die zich willen bijscholen
• Gegevenswetenschappers die zich bezighouden met voorspellingsmodellering
• Elke professional met Python kennis en interesse in statistiek en wiskunde Business intelligence ontwikkelaars

Belangrijkste leerresultaten:

• Beheers de concepten van supervised en unsupervised learning, recommendation engine en time series modeling.
• Praktische beheersing van principes, algoritmen en toepassingen van machine learning door een hands-on aanpak die het werken aan vier grote end-to-end projecten en 25 + hands-on oefeningen omvat.
• Grondige kennis verwerven van de statistische en heuristische aspecten van machinaal leren
• Modellen zoals support vector machines, kernel SVM, naive Bayes, beslisboom classifier, random forest classifier, logistische regressie, K-means clustering en meer in Python te implementeren.
• Valideren van machine learning modellen en decoderen van verschillende nauwkeurigheidsmetrieken.
• De uiteindelijke modellen verbeteren met behulp van een andere reeks optimalisatiealgoritmen, waaronder boosting- en baggingtechnieken.
• Begrijp de theoretische concepten en hoe ze verband houden met de praktische aspecten van machine learning.

Certificeringsdetails en -criteria:

• 85 procent voltooiing van online zelfstudie of het bijwonen van één live virtueel klasikale training
• Een score van ten minste 75 procent in de eindevaluatie van de cursus
• Succesvolle evaluatie van ten minste één project

Cursusprogramma:

Les 01 - Cursus Introductie

• Introductie van de cursus

Les 02 - Inleiding tot AI en machinaal leren

Leerdoelen

• De opkomst van kunstmatige intelligentie Kunstmatige intelligentie in de praktijk
• Sci-Fi films met het concept van AI Recommender Systemen
• Verband tussen kunstmatige intelligentie, machinaal leren en gegevenswetenschap - deel A Verband tussen kunstmatige intelligentie, machinaal leren en gegevenswetenschap - deel B Definitie en kenmerken van machinaal leren
• Benaderingen van machinaal leren Technieken van machinaal leren
• Toepassingen van machinaal leren - deel A Toepassingen van machinaal leren - deel B Belangrijkste aandachtspunten

Les 03 - Voorbewerking van gegevens

Leerdoelen

• Gegevensonderzoek: Laden van bestanden Demo: Gegevens importeren en opslaan
• Praktijk: Gegevensverkenning I Technieken voor gegevensverkenning: Deel 1 Technieken voor gegevensverkenning: Deel 2 Seaborn
• Demo: Correlatieanalyse
• Praktijk: Gegevensverkenning II Data Wrangling
• Ontbrekende waarden in een dataset Uitschieters in een dataset
• Demo: Behandeling van uitschieters en ontbrekende waarden Praktijk: Gegevensverkenning III
• Gegevens manipuleren
• Functionaliteiten van Data Object in Python: Deel A Functionaliteiten van Data Object in Python: Deel B Verschillende soorten verbindingen
• Typecasting
• Demo: Arbeidstijdenvergelijking Praktijk: Gegevensmanipulatie
• Belangrijkste resultaten
• Einde project: Opslaan van testresultaten

Les 04 - Begeleid leren

Leerdoelen

• Leren onder toezicht
• Begeleid leren - scenario uit de praktijk Inzicht in het algoritme Stroom van begeleid leren
• Soorten gesuperviseerd leren - deel A Soorten gesuperviseerd leren - deel B Soorten classificatiealgoritmen Soorten regressiealgoritmen - deel A Regressiegebruikscasus
• Nauwkeurigheidscijfers Kostenfunctie
• Evaluatie van coëfficiënten Demo: Lineaire regressie Praktijk: Boston Homes I Uitdagingen in voorspelling
• Soorten regressiealgoritmen - deel B Demo: Bigmart
• Praktijk: Boston Homes II Logistische regressie - Deel A Logistische regressie - Deel B Sigmoïde waarschijnlijkheidsmatrix
• Demo: Overleving van Titanic-passagiers Praktijk: Iris Soorten
• Belangrijkste resultaten
• Eindexamenproject: Kosten ziektekostenverzekering

Les 05 - Feature Engineering

Leerdoelen

• Feature Selectie Regressie Factoranalyse
• Factoranalyse proces
• Principale Componenten Analyse (PCA) Eerste Principale Component Eigenwaarden en PCA
• Demo: Feature Reduction Praktijk: PCA-transformatie Lineaire Discriminantanalyse Maximale scheidbare lijn
• Maximale scheidbare lijn vinden Demo: Labeled Feature Reduction Praktijk: LDA transformatie
• Belangrijkste resultaten
• Eindexamenproject: De behandeling van kanker vereenvoudigen

Les 06 - Toezichthoudend leren: Classificatie

Leerdoelen

• Overzicht van classificatie
• Classificatie: Een algoritme voor gecontroleerd leren Gebruikscases
• Classificatie-algoritmen Decision Tree Classifier Decision Tree: Voorbeelden Decision Tree Formatie Keuze van de Classifier Overfitting van Decision Trees
• Random Forest Classifier- Bagging en Bootstrapping Decision Tree en Random Forest Classifier Prestatiemetingen: Verwarringsmatrix Prestatiemetingen: Kostenmatrix
• Demo: Paard Overleven Praktijk: Lening Risico Analyse Naive Bayes Classifier
• Stappen om de posterior waarschijnlijkheid te berekenen: Deel A Stappen om de posterior waarschijnlijkheid te berekenen: Deel B Support Vector Machines: Lineaire scheidbaarheid Support Vector Machines: Classificatiemarge Lineaire SVM: Wiskundige representatie
• Niet-lineaire SVM's De Kerneltruc
• Demo: Stemclassificatie Praktijk: College Classificatie Belangrijkste punten
• Eindexamenproject: Kinematische gegevens classificeren

Les 07 - Leren zonder toezicht

Overzicht leerdoelen

• Voorbeeld en toepassingen van leren zonder toezicht Clusteren
• Hiërarchisch Clusteren Hiërarchisch Clusteren: Voorbeeld Demo: Clustering Dieren Praktijk: Klantsegmentatie K-means Clustering
• Optimaal aantal clusters
• Demo: Clustergebaseerde stimulering Praktijk: Segmentatie van afbeeldingen
• Belangrijkste resultaten
• Eindexamenproject: Beeldgegevens clusteren

Les 08 - Tijdreeksmodellering

Leerdoelen

• Overzicht van modellering van tijdreeksen Patroontypen van tijdreeksen Deel A Patroontypen van tijdreeksen Deel B Witte ruis
• Stationariteit
• Verwijdering van niet-stationariteit Demo: Vliegtuigpassagiers I Praktijk: Bierproductie I Tijdreeksmodellen Deel A Tijdreeksmodellen Deel B Tijdreeksmodellen Deel C
• Stappen in tijdreeksvoorspelling Demo: Vliegtuigpassagiers II Praktijk: Bierproductie II
• Belangrijkste resultaten
• Eindexamenproject: Voorspelling IMF-grondstoffenprijzen

Les 09 - Ensemble leren

Leerdoelen Overzicht

• Ensemble-leermethoden Deel A Ensemble-leermethoden Deel B Werking van AdaBoost
• AdaBoost-algoritme en stroomschema Gradient Boosting
• XGBoost
• XGBoost Parameters Deel A XGBoost Parameters Deel B Demo: Pima indianen diabetes
• Praktijk: Lineair te scheiden soorten modelselectie
• Gemeenschappelijke splitsingsstrategieën Demo: Cross-Validatie Praktijk: Modelselectie Belangrijkste opmerkingen
• Eindexamenproject: Classificatiemodel tunen met XGBoost

Les 10 - Aanbevelingssystemen

Leerdoelen

• Inleiding
• Doelstellingen van Recommender Systemen Paradigma's van Recommender Systemen Collaborative Filtering Deel A Collaborative Filtering Deel B Association Rule Mining
• Association Rule Mining: Market Basket Analysis Association Rule Generation: Apriori algoritme Apriori algoritme Voorbeeld: Deel A
• Voorbeeld Apriori algoritme: Deel B Apriori Algoritme: Regel selectie
• Demo: Gebruiker-film aanbeveling model Praktijk: Aanbeveling film-film Belangrijkste punten
• Eindexamenproject: Aanbeveling voor boekverhuur

Les 11 - Tekstverwerking

Leerdoelen

• Overzicht van tekstverwerking Belang van tekstverwerking Toepassingen van tekstverwerking
• Natural Language Toolkit Bibliotheek
• Tekst extractie en voorbewerking: Tokenization Tekstextractie en voorbewerking: N-grammen
• Tekstextractie en voorbewerking: Stopwoordverwijdering Tekstextractie en voorbewerking: Stemming
• Tekstextractie en voorbewerking: Lemmatiseren Tekstextractie en voorbewerking: POS-markering
• Tekstextractie en voorbewerking: Named Entity Recognition NLP proces workflow
• Demo: Verwerking Bruin Corpus Praktijk: Wiki Corpus Structureren van zinnen: Syntax Rendering Syntax Trees
• Structureren van zinnen: Chunking en Chunk Parsing NP en VP Chunk en Parser
• Structureren van zinnen: Chinking Context-Free Grammar (CFG) Demo: Twitter Sentimenten Praktijk: Sentiment luchtvaartmaatschappij
• Belangrijkste resultaten
• Eindexamenproject: Wereldkampioenschap voetbal

Behandelde projecten:

Project 1: Uber Prijsvoorspelling

Ontwerp een algoritme dat de ritprijs van een passagier voorspelt.

Uber wil de nauwkeurigheid van zijn tariefvoorspellingsmodel verbeteren. Help Uber door de beste data en AI-technologieën te kiezen voor het bouwen van zijn volgende generatie model.

Project 2: Mercedes-Benz Greener Manufacturing

Verkort de tijd die een Mercedes-Benz op de testbank doorbrengt.

Mercedes-Benz wil de tijd die modellen op de testbank doorbrengen verkorten en zo sneller naar de marketingfase brengen. Bouw en optimaliseer een machine learning algoritme om dit probleem op te lossen.

Project 3: Amazon.com - Toegang werknemers

Ontwerp een algoritme om toegangsprivileges voor Amazon werknemers nauwkeurig te voorspellen. Gebruik de gegevens van Amazon werknemers en hun toegangsrechten om een model te bouwen dat automatisch de toegangsprivileges bepaalt wanneer werknemers een rol binnen Amazon betreden en verlaten.

Project 4: Inkomenskwalificatie

Identificeer het niveau van inkomenskwalificatie dat nodig is voor gezinnen in Latijns-Amerika.

De Inter-Amerikaanse Ontwikkelingsbank wil mensen kwalificeren voor een hulpprogramma. Help de bank bij het opbouwen en verbeteren van de nauwkeurigheid van de dataset met behulp van een random forest classifier.