Maskinlæring ved hjælp af Python certificeringskursus
3.900,00 DKK
- 40 hours
Dette Machine Learning med Python-kursus giver et dybdegående overblik over ML-emner, herunder arbejde med realtidsdata, udvikling af overvågede og uovervågede læringsalgoritmer, regression, klassifikation og tidsseriemodellering. I dette certificeringstræningskursus i maskinlæring vil du lære at bruge Python til at lave forudsigelser baseret på data. Efter afslutningen af dette Machine Learning ved hjælp af Python-kursus, vil du modtage et certifikat, der bekræfter dine færdigheder som ekspert i maskinlæring.
Oversigt
Frigør datapotentiale med maskinlæring med Python-kursus
- Opnå karrieresucces med vores omfattende kursus i maskinlæring
- Lær gennem mere end 40 timers anvendt læring og interaktive laboratorier
- Gennemfør 4 praktiske projekter for at styrke din forståelse
- Få støtte fra mentorer under din læringsproces
- Mestr nøgle ML-koncepter til certificering
- Tilegn dig de færdigheder, der er nødvendige for at blive en succesfuld maskinlæringsingeniør
Særtilbud:
Ud over dette praktiske e-læringskursus tilbyder vi dig gratis adgang til vores online klasseværelsessessioner. Du har 90 dage til at booke gratis online træningssessioner, som altid finder sted på fleksible tidspunkter. Ud over din e-læring og hvis du ønsker det, vil du have mulighed for at interagere med underviseren og andre deltagere. Disse online klasseværelsessessioner bliver også optaget, så du kan gemme dem.
Kompetencer:
- Superviseret og usuperviseret læring
- Lineær og logistisk regression
- KMeans-klustering
- Beslutningstræer
- Boosting- og Bagging-teknikker
- Tidsserie-modellering
- SVM med kerner
- Naive Bayes
- Tilfældige skovklassifikatorer
- Grundlæggende om dyb læring
Vigtige funktioner
Sprog
Kurset og materialet er på engelsk
35+ timer med blandet læring
32 timers live online undervisning og 6 timers eLearning i eget tempo
Adgang
Livslang adgang til selvstudieindhold
Flexi Pass aktiveret
mulighed for at ombooke din online live klassegruppe inden for de første 90 dage af adgangen.
Interaktiv læring med Google Colabs
Live, online klasseundervisning af topinstruktører og praktikere
Projekter
Erhvervsbaserede erfaringslæringsprojekter
Praktiske færdigheder
og praktisk erfaring med at anvende maskinlæring til at løse konkrete dataudfordringer.
Bonus Gratis kurser
Genopfriskning af matematik & grundlæggende statistik for datalogi
Kursus tidsplan
Genopfriskning i matematik
Gratis kursus 1
- Sandsynlighed og statistik
- Analytisk geometri
- Lineær algebra
- Egenværdier, egenvektorer og egenværdinedbrydning
- Introduktion til differentialregning
Statistik er afgørende for data videnskab
Gratis kursus 2
- Introduktion til statistik
- Forståelse af dataene
- Deskriptiv statistik
- Data Visualisering
- Sandsynlighed
- Sandsynlighedsfordelinger
- Stikprøvetagning og stikprøveteknikker
- Inferentiel statistik
- Anvendelse af inferentiel statistik
- Relation mellem variable
- Anvendelse af statistik i erhvervslivet
- Vejledt praksis
Introduktion
Lektion 01
Start dette program ved at forstå kursusafsnittene og de emner, der bliver dækket. Dette vil hjælpe dig med at være forberedt til de kommende sessioner.
Introduktion til maskinlæring
Lektion 02
Kurset dækker de grundlæggende koncepter inden for maskinlæring, herunder dens definition og forskellige typer. Det ser også nærmere på maskinlæringspipeline, MLOps og AutoML, og giver indsigt i udrulning af maskinlæringsmodeller i stor skala. Derudover introduceres studerende til de vigtigste Python-pakker til maskinlæringsopgaver, hvilket gør dem i stand til at bruge Pythons robuste økosystem til at udvikle maskinlæringsløsninger.
Emner:
- Hvad er maskinlæring?
- Forskellige typer af maskinlæring
- Maskinlæringspipeline, MLOps og AutoML
- Introduktion til Python-pakker til maskinlæring
Superviseret læring
Lektion 03
Afsnittet om overvåget læring udforsker dets praktiske anvendelser i forskellige domæner og ledsages af diskussioner om dets relevans og betydning i virkelige scenarier. Studerende deltager i praktiske aktiviteter for at forberede og forme data til opgaver inden for overvåget læring, efterfulgt af diskussioner om overtilpasning og undertilpasning. Derudover tilbydes praktiske øvelser for at opdage og undgå disse problemer, samt indsigt i regulariseringsteknikker for at optimere modelydelse og reducere overtilpasning.
Emner:
- Superviseret læring
- Anvendelser af superviseret læring
- Overfitting og underfitting
- Regularisering
Regression og dens anvendelse
Lektion 04
Dette segment undersøger grundlaget for regressionsanalyse, dækker definitionen og forskellige typer, herunder lineær, logistisk, polynomisk, ridge og lasso regression. Diskussioner fremhæver de kritiske antagelser, der ligger til grund for lineær regression, og praktiske øvelser giver hands-on erfaring med lineær regressionsmodellering. Deltagerne vil også engagere sig i dataudforskning ved hjælp af teknikker såsom SMOTE oversampling og forberedelse, opbygning og evaluering af regressionsmodeller for at blive dygtige til regressionsanalyse.
Emner:
- Hvad er regression?
- Regressionstyper
- Lineær regression
- Kritiske antagelser for lineær regression
- Logistisk regression
- Oversampling med SMOTE
- Polynomiel regression
- Ridge regression
- Lasso-regression
Klassifikation og anvendelser
Lektion 05
Dette afsnit omhandler klassificeringsalgoritmer og deres definitioner, typer og anvendelser, samt valg af præstationsparametre. Deltagerne bliver nedsænket i forskellige klassificeringsteknikker, såsom Naive Bayes, Stokastisk Gradientnedstigning, K-Nearest Neighbours, Beslutningstræer, Random Forest, Boruta og Support Vector Machines, gennem diskussioner og vejledte øvelser. Centrale begreber som Cohens Kappa diskuteres også, efterfulgt af videnstjek for at styrke forståelsen.
Emner:
- Hvad er klassificeringsalgoritmer?
- Forskellige typer af klassifikation
- Typer af applikationer og valg af ydelsesparametre
- Naive Bayes
- Stokastisk gradientnedstigning
- K-nabo populationer
- Beslutningstræ Random Forest
- Boruta
- Supportvektormaskine
- Cohens kappe
Uovervågede algoritmer
Lektion 06
Dette afsnit introducerer studerende til uovervågede algoritmer, dækker deres typer, anvendelser og præstationsparametre. Deltagerne engagerer sig i praktiske aktiviteter såsom at visualisere output og anvende teknikker som hierarkisk klyngeanalyse, K-Means klyngeanalyse og K-Medoids algoritmen. Derudover udforsker de metoder til detektion af anomalier og teknikker til reduktion af dimensionalitet såsom Principal Component Analysis (PCA), Singular Value Decomposition og Independent Component Analysis. Praktiske anvendelser af disse algoritmer demonstreres gennem vejledte øvelser, hvilket forbedrer de studerendes forståelse af koncepter inden for uovervåget læring.
Emner dækket:
- Uovervågede algoritmer
- Forskellige typer af uovervågede algoritmer
- Hvornår skal man bruge uovervågede algoritmer?
- Parametre for ydeevne
- Typer af klyngedannelse
- K-Means klyngeinddeling
- K-Medoids-algoritmen
- Outliers
- Detektion af afvigelser
- Principal komponentanalyse
- Korrespondanceanalyse og multipel korrespondanceanalyse (MKA)
- Singulær værdi dekomposition
- Uafhængig komponentanalyse
- Balanceret iterativ reduktion og klyngeanalyse ved hjælp af hierarkier (BIRCH)
Ensemble læring
Lektion 07
Dette afsnit omhandler klassifikationsalgoritmer og deres definitioner, typer og anvendelser, samt valg af præstationsparametre. Deltagerne bliver nedsænket i forskellige klassifikationsteknikker, såsom Naive Bayes, Stokastisk Gradientnedstigning, K-Nærmeste Naboer, Beslutningstræer, Tilfældig Skov, Boruta og Supportvektormaskiner, gennem diskussioner og vejledte øvelser. Centrale begreber som Cohens Kappa diskuteres også, efterfulgt af videnstjek for at styrke forståelsen.
Emner:
- Hvad er klassificeringsalgoritmer?
- Forskellige typer af klassifikation
- Typer af applikationer og valg af ydelsesparametre
- Naive Bayes
- Stokastisk gradientnedstigning
- K-nabo populationer
- Beslutningstræ Random Forest
- Boruta
- Supportvektormaskine
- Cohens kappe
Anbefalingssystemer
Lektion 08
Dette modul giver en omfattende oversigt over anbefalingsmotorer og udforsker deres grundlæggende principper og mekanismer. Deltagerne dykker ned i forskellige anvendelseseksempler og eksempler på anbefalingssystemer og opnår indsigt i deres design og implementering. Gennem praktiske øvelser anvender deltagerne teknikker til kollaborativ filtrering, herunder hukommelsesbaseret modellering, objektbaseret og brugerbaseret filtrering, samt modelbaseret kollaborativ filtrering. Derudover udforsker de dimensionssænkning, matrixfaktoriseringsteknikker og nøjagtighedsmatricer i maskinlæring for at evaluere og optimere ydeevnen af anbefalingsmotorer.
Emner:
- Hvordan fungerer anbefalingsmaskiner?
- Anvendelseseksempler for anbefalingsmaskiner
- Eksempler på anbefalingssystemer og hvordan de er designet
- At bruge PyTorch til at bygge en anbefalingsmotor.
Industriprojekter
Ved afslutningen af kurset skal du lave to projekter. Du vil anvende alt det, du har lært, og få praktisk erfaring med din nye viden.
- Projekt 1: Analyse af medarbejderomsætning - Opret ML-programmer til at forudsige medarbejderomsætning, inklusive tjek af datakvalitet, EDA, klyngeanalyse osv., og foreslå strategier for medarbejderbeholdning baseret på sandsynlighedsscorer.
- Projekt 2: Segmentering af sange - Udfør eksplorativ dataanalyse og klyngeanalyse for at skabe kohorter af sange.
Læringsresultater
Dette kursus i maskinlæring med Python vil gøre dig i stand til at:
Typer af ML
Udforsk de forskellige typer af maskinlæring og deres respektive karakteristika.
Nøgleoperation
Analysér maskinlæringspipeline og forstå de vigtige operationer involveret i maskinlæring (MLOps).
Superviseret læring
At lære om superviseret læring og dets brede anvendelsesområder.
Passende
Forstå koncepterne overfitting og underfitting og brug teknikker til at opdage og forhindre dem.
Regression
Analysér forskellige regressionsmodeller og deres egnethed til forskellige scenarier. Identificer linearitet mellem variable og opret korrelationskort.
Algoritmer
Oplist forskellige typer af klassificeringsalgoritmer og forstå deres specifikke anvendelser.
Uovervåget
Mestr forskellige typer af usuperviserede læringsmetoder og forstå, hvornår man skal bruge dem. Få en dyb forståelse af forskellige klyngemetoder i usuperviseret læring.
Modellering
Udforsk forskellige ensemblemodelleringsteknikker, såsom bagging, boosting og stacking.
Sammenlign
Evaluér og sammenlign forskellige maskinlæringsrammer, herunder TensorFlow og Keras.
PyTorch
Byg en anbefalingsmotor med PyTorch
Visualisering
At skabe visualiseringer med Matplotlib, Seaborn, Plotly og Bokeh.
Hvem bør tilmelde sig dette program?
En fremtrædende dataingeniør opbygger og vedligeholder datastrukturer og arkitekturer til dataindsamling, -forarbejdning og -udrulning for storskalaprogrammer, der er intensive i brugen af data. Det er en lovende karrierevej for både nye og erfarne fagfolk med en passion for data, herunder:
Data Scientist
Maskinlæringsingeniør
Kunstig Intelligens Ingeniør
Business Intelligence-udvikler
Softwareingeniør
AI-forskningsvidenskabsmand
Sprogteknologisk Ingeniør
AI-produktchef
Berettigelse
Berettigelse
Maskinlæringscertificeringen ved brug af Python-kurset er velegnet til deltagere på mellemniveau, herunder analysechefer, forretningsanalytikere, informationsarkitekter, udviklere, der ønsker at blive maskinlæringsingeniører eller dataloger, samt nyuddannede, der søger en karriere inden for datalogi og maskinlæring.
Forudsætninger
Learners need to possess an undergraduate degree or a high school diploma. An understanding of basic statistics and mathematics at the college level. Familiarity with Python programming is also beneficial. Before getting into the machine learning Python certification training, one should understand fundamental courses, including Python for data science, math refreshers, and statistics essential for data science.
Ofte stillede spørgsmål
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!