Maskininlärning
( 24 Moduler )

modul #1
Introduktion till maskininlärning
Översikt över maskininlärning, typer av maskininlärning och betydelsen av maskininlärning

modul #2
Mathematical Foundations
Linjär algebra, kalkyl, sannolikhet och statistik

modul #3
Dataförbehandling
Datarensning, funktionsskalning, normalisering och funktionsval

modul #4
Övervakat lärande
Introduktion till övervakat lärande, regression och klassificering

modul #5
Linjär regression
Enkel och multipel linjär regression, kostnad funktion och gradientnedstigning

modul #6
Logistisk regression
Logistisk regression, sigmoidfunktion och kostnadsfunktion

modul #7
Beslutsträd
Introduktion till beslutsträd, entropi och informationsvinst

modul #8
Slumpmässigt Forests
Ensemble learning, random forests, and hyperparameter tuning

modul #9
Support Vector Machines
Introduction to SVMs, kernel trick, and soft margin SVMs

modul #10
Osupervised Learning
Introduction to unsupervised learning, klustring och dimensionsreduktion

modul #11
K-Means Clustering
K-means klustringsalgoritm, kostnadsfunktion och Lloyds-algoritm

modul #12
Hierarkisk klustring
Hierarkisk klustring, agglomerativ och delande klustring

modul #13
Principal Component Analysis
Introduktion till PCA, egenvärden och egenvektorer

modul #14
Deep Learning Fundamentals
Introduktion till djupinlärning, neurala nätverk och perceptron

modul #15
Convolutional Neural Networks
Introduktion till CNNs , faltningslager och poollager

modul #16
Recurrent Neural Networks
Introduktion till RNN, LSTM och GRU

modul #17
Natural Language Processing
Introduktion till NLP, textförbehandling och ordinbäddningar

modul #18
Model Evaluation and Selection
Mätrik för utvärdering, överanpassning och modellvalstekniker

modul #19
Hyperparameter Tuning
Introduktion till hyperparameterjustering, rutnätssökning och slumpmässig sökning

modul #20
Model Deployment
Implementera maskininlärningsmodeller, modellbetjäning och överväganden

modul #21
Ethics and Fairness in Machine Learning
Bias and fairness in machine learning, etics and transparency

modul #22
Fallstudier in Machine Learning
Real- världens tillämpningar av maskininlärning, fallstudier och projekt

modul #23
Avancerade ämnen i maskininlärning
Avancerade ämnen inom maskininlärning, inklusive förstärkningsinlärning och generativa modeller

modul #24
Kursavslutning och avslutning
Planera nästa steg i maskininlärningskarriären

Redo att lära sig, dela och tävla?