Nauczanie maszynowe
( 24 Moduły )

moduł #1
Wprowadzenie do uczenia maszynowego
Przegląd uczenia maszynowego, rodzaje uczenia maszynowego i znaczenie uczenia maszynowego

moduł #2
Podstawy matematyki
Algebra liniowa, rachunek różniczkowy i całkowy, prawdopodobieństwo i statystyka

moduł #3
Wstępne przetwarzanie danych
Oczyszczanie danych, skalowanie cech, normalizacja i wybór cech

moduł #4
Uczenie nadzorowane
Wprowadzenie do uczenia nadzorowanego, regresji i klasyfikacji

moduł #5
Regresja liniowa
Prosta i wielokrotna regresja liniowa, funkcja kosztu i gradient zstępujący

moduł #6
Regresja logistyczna
Regresja logistyczna, funkcja sigmoidalna i funkcja kosztu

moduł #7
Drzewa decyzyjne
Wprowadzenie do drzew decyzyjnych, entropii i zysku informacji

moduł #8
Las losowy
Uczenie zespołowe, lasy losowe i dostrajanie hiperparametrów

moduł #9
Wektor nośny Maszyny
Wprowadzenie do SVM, sztuczki jądra i SVM z miękkim marginesem

moduł #10
Uczenie się bez nadzoru
Wprowadzenie do uczenia się bez nadzoru, klastrowania i redukcji wymiarowości

moduł #11
Klastrowanie metodą K-średnich
Algorytm klastrowania metodą K-średnich, funkcja kosztu i algorytm Lloydsa

moduł #12
Klastrowanie hierarchiczne
Klastrowanie hierarchiczne, klastrowanie aglomeracyjne i podziałowe

moduł #13
Analiza głównych składowych
Wprowadzenie do PCA, wartości własnych i wektorów własnych

moduł #14
Podstawy głębokiego uczenia się
Wprowadzenie do głębokiego uczenia się, sieci neuronowych i perceptronu

moduł #15
Sieci neuronowe splotowe
Wprowadzenie do CNN, warstw splotowych i warstw pulowania

moduł #16
Rekurencyjne sieci neuronowe
Wprowadzenie do RNN, LSTM i GRU

moduł #17
Przetwarzanie języka naturalnego
Wprowadzenie do przetwarzania języka naturalnego, wstępne przetwarzanie tekstu i osadzanie słów

moduł #18
Ocena i wybór modelu
Metryki do oceny, nadmiernego dopasowania i technik wyboru modelu

moduł #19
Dostrajanie hiperparametrów
Wprowadzenie do dostrajania hiperparametrów, przeszukiwania siatki i wyszukiwania losowego

moduł #20
Wdrażanie modelu
Wdrażanie modeli uczenia maszynowego, obsługa modeli i rozważania

moduł #21
Etyka i uczciwość w uczeniu maszynowym
Strzelanie i uczciwość w uczeniu maszynowym, etyka i przejrzystość

moduł #22
Studia przypadków w uczeniu maszynowym
Praktyczne zastosowania uczenia maszynowego, studia przypadków i projekty

moduł #23
Zaawansowane tematy w uczeniu maszynowym
Zaawansowane tematy w uczeniu maszynowym, w tym uczenie ze wzmacnianiem i modele generatywne

moduł #24
Podsumowanie i zakończenie kursu
Planowanie kolejnych kroków w karierze Machine Learning

Gotowy do nauki, udostępniania i konkurowania?