Koneoppiminen
( 24 Moduulit )

moduuli #1
Johdatus koneoppimiseen
Yleiskatsaus koneoppimiseen, koneoppimisen tyyppeihin ja koneoppimisen tärkeyteen

moduuli #2
Matemaattiset perusteet
Lineaarinen algebra, laskenta, todennäköisyys ja tilastot

moduuli #3
Datan esikäsittely
Tietojen puhdistus, ominaisuuksien skaalaus, normalisointi ja ominaisuuksien valinta

moduuli #4
Valvottu oppiminen
Johdatus ohjattuun oppimiseen, regressioon ja luokitteluun

moduuli #5
Lineaarinen regressio
Yksinkertainen ja moninkertainen lineaarinen regressio, hinta funktio ja gradienttilasku

moduuli #6
Logistinen regressio
Logistinen regressio, sigmoidifunktio ja kustannusfunktio

moduuli #7
Päätöspuut
Johdatus päätöspuihin, entropiaan ja tiedon saantiin

moduuli #8
Satunnainen Metsät
Yhteisoppiminen, satunnaiset metsät ja hyperparametrien viritys

moduuli #9
Support Vector Machines
Johdatus SVM:ihin, ydintemppuihin ja soft margin SVM:ihin

moduuli #10
Oppiminen ilman valvontaa
Johdatus ohjaamattomaan oppimiseen, klusterointi ja dimensioiden vähentäminen

moduuli #11
K-Means Clustering
K-means klusterointialgoritmi, kustannusfunktio ja Lloyds-algoritmi

moduuli #12
Hierarkkinen klusterointi
Hierarkkinen klusterointi, agglomeratiivinen ja jakava klusterointi

moduuli #13
Principal Component Analysis
Johdatus PCA:han, ominaisarvoihin ja ominaisvektoreihin

moduuli #14
Deep Learning Fundamentals
Johdatus syvään oppimiseen, hermoverkkoihin ja perceptroniin

moduuli #15
Konvoluutiohermoverkot
Johdatus CNN:ihin , konvoluutiotasot ja yhdistävät tasot

moduuli #16
Toistuvat hermoverkot
Johdatus RNN:ihin, LSTM:ään ja GRU:hun

moduuli #17
Luonnollisen kielen käsittelyyn
Johdatus NLP:hen, tekstin esikäsittelyyn ja sanan upottamiseen

moduuli #18
Mallin arviointi ja valinta
Arviointi-, ylisovitus- ja mallinvalintatekniikoiden mittarit

moduuli #19
Hyperparametrien viritys
Johdatus hyperparametrien viritykseen, ruudukkohakuun ja satunnaiseen hakuun

moduuli #20
Mallin käyttöönotto
Koneoppimismallien käyttöönotto, mallien käyttö ja näkökohdat

moduuli #21
Ethics and Fairness in Machine Learning
Basness and Fairness in MachineLearning, etics and Transparency

moduuli #22
Case Studies in Machine Learning
Real- koneoppimisen maailmanlaajuiset sovellukset, tapaustutkimukset ja projektit

moduuli #23
Koneoppimisen edistyneet aiheet
Koneoppimisen edistyneet aiheet, mukaan lukien vahvistusoppiminen ja generatiiviset mallit

moduuli #24
Kurssin yhteenveto ja johtopäätökset
Suunnittele koneoppimisen uran seuraavia vaiheita

Oletko valmis oppimaan, jakamaan ja kilpailemaan?