AVC Machine Learning Certification - eLearning
3.900,00 DKK
Dette online kursus tilbyder et dybdegående overblik over emner inden for maskinlæring, herunder arbejde med realtidsdata, udvikling af algoritmer ved hjælp af overvåget og uovervåget læring, regression, klassifikation og tidsserie-modellering. Du vil også lære at bruge Python til at udlede forudsigelser fra data.
Kursusplan
![Hero](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2Fo4uw3mgf%2Fproduction%2Fd6d809b604b6a6a77a3893046415954a214304cd-5472x3648.jpg%3Ffit%3Dmax%26auto%3Dformat&w=3840&q=75)
Kursusintroduktion
Lektion 01
- Kursusintroduktion.
Introduktion til AI og maskinlæring
Lektion 02
- Læringsmål
- Fremkomsten af kunstig intelligens
- Kunstig intelligens i praksis
- Sci-fi-film med konceptet af kunstig intelligens
- Anbefalingssystemer
- Forholdet mellem kunstig intelligens, maskinlæring og datalogi - Del A
- Forholdet mellem kunstig intelligens, maskinlæring og datalogi - Del B
- Definition og kendetegn ved maskinlæring
- Metoder for maskinlæring
- Maskinlæringsteknikker
- Anvendelser af maskinlæring - Del A
- Anvendelser af maskinlæring - Del B
- Vigtigste pointer
Dataforbehandling
Lektion 03
- Læringsmål
- Dataudforskning: Indlæsning af filer
- Demo: Import og lagring af data
- Praksis: Udforskning af bildata I
- Teknikker til dataudforskning: Del 1
- Teknikker til dataudforskning: Del 2
- Seaborn
- Demo: Korrelationsanalyse
- Øvelse: Udforskning af bildata II
- Datahåndtering
- Manglende værdier i et datasæt
- Afvigende værdier i et datasæt
- Demo: Behandling af afvigere og manglende værdier
- Praksis: Dataudforskning III
- Datahåndtering
- Funktionaliteter af dataobjekt i Python: Del A
- Funktionaliteter af dataobjekt i Python: Del B
- Forskellige typer af joins
- Typecasting
- Demo: Sammenligning af arbejdstimer
- Øvelse: Datahåndtering
- Vigtigste pointer
- Afsluttende projekt: Opbevaring af testresultater
Superviseret læring
Lektion 04
- Læringsmål
- Overvåget læring
- Overvåget læring - Virkelige scenarier
- Forstå algoritmen
- Overvåget Læringsforløb
- Typer af overvåget læring – Del A
- Typer af overvåget læring – Del B
- Typer af klassificeringsalgoritmer
- Typer af regressionsalgoritmer - Del A
- Anvendelseseksempel for regression
- Nøjagtighedsmetrikker
- Omkostningsfunktion
- Evaluering af koefficienter
- Demo: Lineær regression
- Praksis: Boston Homes I
- Udfordringer ved forudsigelse
- Typer af regressionsalgoritmer - Del B
- Demo: Bigmart
- Praksis: Boston Homes II
- Logistisk regression - Del A
- Logistisk regression - Del B
- Sigmoid sandsynlighed
- Nøjagtighedsmatrix
- Demo: Overlevelse af Titanic-passagerer
- Praksis: Irisarter
- Vigtigste pointer
- Projekt ved lektionens afslutning: Sundhedsforsikringsomkostninger
Feature Engineering
Lektion 05
- Læringsmål
- Egenskabsudvælgelse
- Regression
- Faktoranalyse
- Faktoranalyseproces
- Principal komponentanalyse (PCA)
- Første hovedkomponent
- Egenværdier og PCA
- Demo: Reduktion af funktioner
- Praksis: PCA-transformation
- Lineær Diskriminantanalyse
- Maksimalt separerbar linje
- Find den maksimale separable linje
- Demo: Mærkebaseret funktionsreduktion
- Praksis: LDA-transformation
- Vigtigste pointer
- Afsluttende projekt: Forenkling af kræftbehandling
Overvåget læring: Klassifikation
Lektion 06
- Læringsmål
- Oversigt over klassifikation
- Klassifikation: En algoritme til overvåget læring
- Anvendelseseksempler
- Klassifikationsalgoritmer
- Beslutningstræ: Klassifikator
- Beslutningstræ: Eksempler
- Beslutningstræ: Dannelse
- Valg af klassifikator
- Overfitning af beslutningstræer
- Tilfældig skovklassifikator - Bagging og Bootstrapping
- Beslutningstræ og tilfældig skov-klassifikator
- Præstationsmål: Forvirringsmatrix
- Præstationsmål: Omkostningsmatrix
- Demo: Hestes overlevelse
- Praksis: Risikoanalyse af lån
- Naiv Bayes-klassifikator
- Trin til at beregne posterior sandsynlighed: Del A
- Trin til at beregne posterior sandsynlighed: Del B
- Supportvektormaskiner: Lineær separabilitet
- Supportvektormaskiner: Klassifikationsmargin
- Lineær SVM: Matematisk repræsentation
- Ikke-lineære SVM'er
- Kernel-tricket
- Demo: Stemmeklassifikation
- Praksis: Klassifikation af universiteter
- Vigtigste pointer
- Projekt ved lektionens afslutning: Klassificér kinematiske data
Tidsserie-modellering
Lektion 07
- Læringsmål
- Oversigt Eksempel og anvendelser af uovervåget læring
- Klyngeanalyse Hierarkisk klyngeanalyse
- Hierarkisk klyngeanalyse: Eksempel
- Demo: Klyngeinddeling af dyr
- Praksis: Kundesegmentering
- K-means klyngeanalyse
- Optimalt antal klynger
- Demo: Klyngebaseret incitamentsstruktur
- Praksis: Billedsegmentering
- Vigtigste pointer
- Projekt ved lektionens afslutning: Klyngeanalyse af billeddata
Tidsserie modellering
Lektion 08
- Læringsmål
- Oversigt over tidsrækkermodellering
- Typer af tidsserie mønstre Del A
- Typer af tidsserie mønstre del B
- Hvid støj
- Stationaritet Fjernelse af ikke-stationaritet
- Demo: Luftpassagerer I
- Praksis: Ølproduktion I
- Tidsseriemodeller Del A
- Tidsseriemodeller Del B
- Tidsseriemodeller Del C
- Trin i tidsrækkeforudsigelse
- Demo: Luftpassagerer II
- Praktik: Ølproduktion II
- Vigtigste pointer
- Projekt ved lektionens afslutning: IMF's råvareprisprognose
Ensemble-læring
Lektion 09
- Læringsmål
- Oversigt over ensemblelæringsmetoder Del A
- Metoder for ensemblelæring del B
- Funktionsmåde for AdaBoost
- AdaBoost-algoritme og flowdiagram
- Gradientforstærkning
- XGBoost
- XGBoost-parametre Del A
- XGBoost-parametre Del B
- Demo: Pima-indianernes diabetes
- Praksis: Lineært Separerbare Arter
- Modelvalg
- Almindelige opdelingsstrategier
- Demo: Krydsvalidering
- Praksis: Valg af model
- Vigtigste pointer
- Projekt ved lektionens afslutning: Justering af klassificeringsmodel med XGBoost
Anbefalingssystemer
Lektion 10
- Læringsmål
- Introduktion
- Formål med anbefalingssystemer
- Paradigmer inden for anbefalingssystemer
- Samarbejdsfiltrering Del A
- Collaborative Filtering Del B
- Association Rule Mining
- Association Rule Mining: Markedskurvsanalyse
- Generering af associationsregler: Apriori-algoritmen
- Eksempel på Apriori-algoritmen: Del A
- Eksempel på Apriori-algoritmen: Del B
- Apriori-algoritme: Regeludvælgelse
- Demo: Brugerfilm anbefalingsmodel
- Praksis: Film anbefalinger
- Vigtigste pointer
- Projekt ved lektionens afslutning: Anbefaling af bogudlejning
Tekstmining
Lektion 11
- Læringsmål
- Oversigt over Tekstmining
- Betydningen af tekstmining
- Anvendelser af tekstanalyse
- Natural Language Toolkit-biblioteket
- Tekstekstraktion og forbehandling: Tokenisering
- Tekstekstraktion og forbehandling: N-grammer
- Tekstekstraktion og forbehandling: Fjernelse af stopord
- Tekstekstraktion og forbehandling: Stammefortynding
- Tekstekstraktion og forbehandling: Lemmatisering
- Tekstekstraktion og forbehandling: POS-tagging
- Tekstekstraktion og forbehandling: Genkendelse af navngivne enheder
- Arbejdsgang for NLP-processer
- Demo: Behandling af Brown Korpus
- Praksis: Wiki Korpus
- Strukturering af sætninger: Syntaksudformning af syntakstræer
- Strukturering af sætninger: Opdeling og parsing af sætningsdele
- NP og VP-segmentering og parsing
- Strukturering af sætninger: Chinking i kontekstfrie
- Grammatik (CFG) Demo: Twitter-sentimenter
- Øvelse: Flyselskabsstemning
- Vigtigste pointer
- Afsluttende projekt: FIFA Verdensmesterskabet
Projekt 1: Forudsigelse af Uber-takster
Projekt - 01
Udvikl en algoritme, der kan oplyse den pris, der skal opkræves for en passager. Uber ønsker at forbedre nøjagtigheden af deres model til forudsigelse af priser. Hjælp Uber ved at vælge de bedste data- og AI-teknologier til at bygge deres næste generations model.
Projekt 2: Mercedes-Benz Grønnere Fremstilling
Projekt - 02
Reduce the time a Mercedes-Benz spends on the test bench. Mercedes-Benz wants to shorten the time models spend on its test bench, thus moving it to the marketing phase sooner. Build and optimize a machine learning algorithm to solve this problem.
Projekt 3: Amazon.com - Medarbejderadgang
Projekt - 03
Design an algorithm to accurately predict access privileges for Amazon employees. Use the data of Amazon employees and their access permissions to build a model that automatically decides access privileges as employees enter and leave roles within Amazon.
Projekt 4: Indkomstkvantificering
Project - 04
Identificér det nødvendige indkomstniveau for kvalifikation for familier i Latinamerika. Den Interamerikanske Udviklingsbank ønsker at kvalificere mennesker til et hjælpeprogram. Hjælp banken med at opbygge og forbedre nøjagtigheden af datasættet ved brug af en random forest classifier.
Eksamen
Exam Information
Eksamenen foregår helt online. Du har 3 eksamensforsøg. Det er nødvendigt at booke eksamensforsøget mere end 48 timer i forvejen.
- Multiple Choice
- 90 spørgsmål per eksamen
- Ét point gives for hvert korrekt svar
- Ingen minuspoint for forkerte svar
- Varighed på 120 minutter
- Overvåget online eksamen
Læringsmål
Ved slutningen af dette Machine eLearning kursus vil du kunne:
Mestre Koncepterne:
- Supervised og Unsupervised Learning - Anbefalingssystemer - Tidsseriemodellering - Statistiske og heuristiske aspekter af maskinlæring - Teoretiske koncepter og hvordan de relaterer til praktiske aspekter
Validere maskinlæringsmodeller og afkode forskellige nøjagtighedsmetrikker
Opnå Praktisk Beherskelse Af:
Principper, algoritmer, applikationer, support vector machines, kernel SVM, naive bayes, decision tree classifier, random forest classifier, logistisk regression, K-means clustering, Python.
Forbedre de endelige modeller ved hjælp af et andet sæt af optimeringsalgoritmer
Dette inkluderer boosting og bagging teknikker.
Målgruppe
Dataanalytikere, der ønsker at opgradere deres færdigheder
-
Dataforskere, der arbejder med prædiktiv modellering
-
Enhver professionel med Python-kendskab og interesse for statistik og matematik
-
Business Intelligence-udviklere
-
![Hero](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2Fo4uw3mgf%2Fproduction%2F6cdcf28aed3842626e60dda56739d6907805c21c-860x434.png%3Ffit%3Dmax%26auto%3Dformat&w=1920&q=75)
![](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2Fo4uw3mgf%2Fproduction%2F639ae870480c26faa6b6b4a97f4d980f7832034b-4272x2848.jpg%3Ffit%3Dmax%26auto%3Dformat&w=3840&q=75)
Hvorfor det er værd at bruge tid på!
Professionelle certificeringer er vigtige for din personlige udvikling og øger troværdigheden af din ekspertise inden for det pågældende område. Her er 6 andre fordele:
Skab en konkurrencefordel
Forbedre din viden og færdigheder
Professionel troværdighed
Karrierefremgang
Personlig udvikling
Opfylde professionelle eller virksomhedsmæssige krav
![](/_next/image?url=https%3A%2F%2Fcdn.sanity.io%2Fimages%2Fo4uw3mgf%2Fproduction%2F4a62a9240acd7e91f42786201cd72ab32c6ec840-5418x3612.jpg%3Ffit%3Dmax%26auto%3Dformat&w=3840&q=75)
Har du brug for virksomhedsløsninger eller LMS-integration?
Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!