Изкуствен интелект и машинно обучение
( 25 Модули )

модул #1
Въведение в изкуствения интелект
Общ преглед на AI, неговата история и приложения

модул #2
Основи на машинното обучение
Въведение в машинното обучение, видове и контролирано/неконтролирано обучение

модул #3
Математика и статистика за ML
Линейна алгебра, смятане, вероятности и статистика за машинно обучение

модул #4
Python за машинно обучение
Въведение в Python, NumPy, Pandas и манипулиране на данни

модул #5
Предварителна обработка на данни
Данни почистване, мащабиране на функции и избор на функции

модул #6
Учене под наблюдение
Метрики за регресия, класификация и оценка на модела

модул #7
Линейна регресия
Проста и множествена линейна регресия, функция на разходите и градиентно спускане

модул #8
Логистична регресия
Двоична класификация, логистична функция и граници на вземане на решения

модул #9
Дървета на решения
Въведение в дървета на решения, ентропия и придобиване на информация

модул #10
Случайни гори
Обучение по ансамбъл, пакетиране и произволни гори

модул #11
Поддържащи векторни машини
Класификация с максимален марж, мек марж и трик на ядрото

модул #12
Неконтролирано обучение
Клъстеризиране, намаляване на размерността и откриване на аномалии

модул #13
K-означава групиране
K-означава алгоритъм, центроидна инициализация и конвергенция

модул #14
Анализ на основните компоненти
PCA, извличане на характеристики и намаляване на размерността

модул #15
Основи на дълбокото обучение
Въведение в невронните мрежи, перцептрон и многослоен перцептрон

модул #16
Конволюционни невронни мрежи
CNN, конволюционни слоеве и класификация на изображения

модул #17
Повтарящи се невронни мрежи
RNN, LSTM и моделиране на последователности

модул #18
Естествени Езикова обработка
Предварителна обработка на текст, токенизация и вграждане на думи

модул #19
Прехвърляне на обучение
Предварително обучени модели, фина настройка и моделна зоологическа градина

модул #20
Оценка и избор на модел
Избор на модел, настройка на хиперпараметри и кръстосано валидиране

модул #21
Работа с небалансирани набори от данни
Дибаланс на класове, техники за свръхсемплиране и недостатъчно семплиране

модул #22
Внедряване на модел
Внедряване на модел, интегриране на API и Docker контейнеризация

модул #23
AI Етика и справедливост
Откриване на пристрастия, показатели за справедливост и етични съображения

модул #24
Специални теми в AI
Генеративни модели, механизми за внимание и обясним AI

модул #25
Обобщение на курса и заключение
Планиране на следващите стъпки в кариерата в областта на изкуствения интелект и машинното обучение

Готови ли сте да научите, споделяте и се състезавате?