AVC Machine Learning Certification - eLearning

- Kursusintroduktion.

- 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

- 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

- 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

- 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

- 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

- 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

- 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

- 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

- 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

- 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

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.

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.

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.

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.

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