Machine Learning med hjälp av Python (Maskininlärning) - certifieringskurs

Maskininlärning med hjälp av Python Certifieringskurs

Frigör datapotentialen med maskininlärning med Python-kurs

Översikt över kursen

Denna kurs i maskininlärning med Python ger en djupgående översikt över ML-ämnen, inklusive att arbeta med realtidsdata, utveckla övervakade och oövervakade inlärningsalgoritmer, regression, klassificering och tidsseriemodellering. I denna certifieringskurs för maskininlärning lär du dig hur du använder Python för att göra förutsägelser baserade på data. Efter avslutad kurs i maskininlärning med Python kommer du att få ett certifikat som intygar dina färdigheter som maskininlärningsexpert.

Frigör datapotential med maskininlärning med Python-kurs

• Uppnå karriärframgång med vår omfattande maskininlärningskurs
• Få stöd från mentorer under din inlärningsprocess
• Behärska viktiga ML-koncept för certifiering
• Få de färdigheter som behövs för att bli en framgångsrik maskininlärningsingenjör

Maskininlärning med hjälp av Python - viktiga funktioner

• Kurs och material är på engelska
• Nybörjare - mellannivå för professionella
• 35+ timmar av blandad inlärning
• 32 timmar live online klassrum och 6 timmar eLearning självgående innehåll
• 1 års tillgång till eLearning-plattformen för självstudier 24/7 och klassinspelningar
• Flexi Pass aktiverat: Möjlighet att omboka din kohort inom de första 90 dagarna av åtkomst. 90 dagars flexibel tillgång till onlinekurser
• Minst 50 timmars rekommenderad studietid
• 3 slutprojekt och simuleringstest
• Inget prov för kursen men deltagaren får ett intyg på att utbildningen är slutförd

Bonus: Förutom denna praktiska e-learningkurs erbjuder vi dig fri tillgång till våra online klassrumssessioner när det är tillgängligt (var 2-3 månad) utöver din e-learning om du vill. Du kommer att ha möjlighet att interagera med utbildaren och andra deltagare. Dessa online klassrumssessioner kommer också att spelas in, så att du kan behålla inspelningen i 1 år.

Färdigheter som omfattas

• Övervakad och oövervakad inlärning
• Linjär och logistisk regression
• KMeans klustring
• Beslutsträd
• Boosting- och Bagging-tekniker
• Modellering av tidsserier
• SVM med kärnor
• Naiv Bayes
• Slumpmässiga skogsklassificerare
• Grunderna i djupinlärning

Viktiga inlärningsresultat

Denna maskininlärningskurs med Python kommer att göra det möjligt för dig att:

• Undersöka de olika typerna av maskininlärning och deras respektive egenskaper.
• Analysera maskininlärningspipelinen och förstå de viktigaste operationerna som ingår i Machine Learning Operations (MLOps).
• Lära dig om övervakad inlärning och dess breda utbud av applikationer.
• Förstå begreppen overfitting och underfitting och använda tekniker för att upptäcka och förhindra dem.
• Analysera olika regressionsmodeller och deras lämplighet för olika scenarier.
• Identifiera linjäritet mellan variabler och skapa korrelationskartor.
• Lista olika typer av klassificeringsalgoritmer och förstå deras specifika tillämpningar.
• Behärska olika typer av oövervakade inlärningsmetoder och när de ska användas.
• Få en djup förståelse för olika klustertekniker inom oövervakad inlärning.
• Undersöka olika tekniker för ensemblemodellering, t.ex. bagging, boosting och stacking.
• Utvärdera och jämföra olika ramverk för maskininlärning, inklusive TensorFlow och Keras.
• Bygga en rekommendationsmotor med hjälp av PyTorch
• Skapa visualiseringar med Matplotlib, Seaborn, Plotly och Bokeh.

Vem bör anmäla sig till detta program?

En framstående dataingenjör bygger och underhåller datastrukturer och arkitekturer för dataintag, bearbetning och distribution för storskaliga, dataintensiva applikationer. Det är en lovande karriär för både nya och erfarna yrkesverksamma med en passion för data, inklusive:

• Datavetare
• Ingenjör inom maskininlärning
• Ingenjör inom artificiell intelligens
• Utvecklare inom affärsintelligens
• Programvaruingenjör
• AI-forskare
• Ingenjör för bearbetning av naturliga språk
• Produktchef för AI

Förkunskapskrav

Deltagarna måste ha en examen på grundnivå eller ett gymnasieexamen. En förståelse för grundläggande statistik och matematik på högskolenivå. Kännedom om Python-programmering är också fördelaktigt. Innan man går in i maskininlärning Python-certifieringsutbildningen bör man förstå grundläggande kurser, inklusive Python för datavetenskap, matematikuppdateringar och statistik som är nödvändig för datavetenskap.

Behörighet

Kursen Machine Learning certification using Python är väl lämpad för deltagare på mellannivå, inklusive analyschefer, affärsanalytiker, informationsarkitekter, utvecklare som vill bli maskininlärningsingenjörer eller datavetare och akademiker som söker en karriär inom datavetenskap och maskininlärning.

Läroplan

1. Introduktion till kursen
2. Introduktion till maskininlärning
3. Övervakad inlärning
4. Regression och dess tillämpningar
5. Klassificering och dess tillämpningar
6. Algoritmer för oövervakad inlärning
7. Ensembleinlärning
8. Rekommenderade system

Lektion 1: Introduktion till kursen

Kom igång med det här programmet genom att förstå kursens komponenter och de ämnen som tas upp. Detta hjälper dig att vara förberedd inför de kommande sessionerna.

Lektion 2: Introduktion till maskininlärning

Kursen omfattar de grundläggande begreppen inom maskininlärning, inklusive dess definition och olika typer. Den fördjupar sig också i maskininlärningspipelinen, MLOps och AutoML, vilket ger insikter i att distribuera maskininlärningsmodeller i stor skala. Dessutom kommer studenterna att introduceras till viktiga Python-paket för maskininlärningsuppgifter, så att de kan utnyttja Pythons robusta ekosystem för att utveckla maskininlärningslösningar.

Ämnen som omfattas:

• Vad är maskininlärning?
• Olika typer av maskininlärning
• Pipeline för maskininlärning, MLOps och AutoML
• Introduktion till Python-paket för maskininlärning

Lektion 3: Övervakad inlärning

Avsnittet om övervakad inlärning utforskar dess praktiska tillämpningar inom olika områden och åtföljs av diskussioner om dess relevans och betydelse i verkliga scenarier. Studenterna kommer att delta i praktiska aktiviteter för att förbereda och forma data för övervakade inlärningsuppgifter, följt av diskussioner om överanpassning och underanpassning. Dessutom ges praktiska övningar för att upptäcka och förebygga dessa problem och insikter i regulariseringstekniker för att optimera modellprestanda och mildra överanpassning.

Ämnen som omfattas:

• Övervakad inlärning
• Tillämpningar av övervakad inlärning
• Övermatchning och undermatchning
• Regularisering

Lektion 4: Regression och dess tillämpning

Detta avsnitt behandlar grunderna i regressionsanalys, dess definition och olika typer, inklusive linjär, logistisk, polynomisk, ridge- och lassoregression. Diskussioner belyser kritiska antaganden som ligger till grund för linjär regression och praktiska övningar ger praktisk erfarenhet av linjär regressionsmodellering. Deltagarna deltar också i datautforskning med hjälp av tekniker som SMOTE-översampling och förbereder, bygger och utvärderar regressionsmodeller för att få färdighet i regressionsanalys.

Ämnen som behandlas:

• Vad är regression?
• Olika typer av regression
• Linjär regression
• Kritiska antaganden för linjär regression
• Logistisk regression
• Översampling med hjälp av SMOTE
• Polynomisk regression
• Ridge-regression
• Lasso-regression

Lektion 5: Klassificering och dess tillämpningar

Den här sessionen behandlar klassificeringsalgoritmer och deras definitioner, typer och tillämpningar samt val av prestandaparametrar. Deltagarna fördjupar sig i olika klassificeringstekniker, såsom Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbors, Decision Trees, Random Forest, Boruta och Support Vector Machines, genom diskussioner och assisterade övningar. Nyckelbegrepp som Cohens Kappa diskuteras också, följt av kunskapskontroller för att förstärka förståelsen.

Ämnen som behandlas:

• Vad är klassificeringsalgoritmer?
• Olika typer av klassificering
• Applikationstyper och val av prestandaparametrar
• Naiv Bayes
• Stokastisk gradientnedstigning
• K-närmaste grannar
• Beslutsträd Random Forest
• Boruta
• Stödvektormaskin
• Cohens kappa

Lektion 6: Algoritmer utan övervakning

Detta segment introducerar studenterna till oövervakade algoritmer och täcker deras typer, applikationer och prestandaparametrar. Deltagarna deltar i praktiska aktiviteter som att visualisera utdata och tillämpa tekniker som hierarkisk klustring, K-Means klustring och K-Medoids-algoritmen. Dessutom utforskar de metoder för anomalidetektering och tekniker för dimensionsreduktion som Principal Component Analysis (PCA), Singular Value Decomposition och Independent Component Analysis. Praktiska tillämpningar av dessa algoritmer demonstreras genom guidade övningar, vilket förbättrar studenternas förståelse för koncept för oövervakad inlärning.

Ämnen som behandlas:

• Algoritmer för oövervakad inlärning
• Olika typer av oövervakade algoritmer
• När ska man använda oövervakade algoritmer?
• Parametrar för prestanda
• Olika typer av klustring
• K-Means klustring
• K-Medoids algoritm
• Uteliggare
• Detektering av outliers
• Principiell komponentanalys
• Korrespondensanalys och multipel korrespondensanalys (MCA)
• Dekomponering av singulärvärde
• Oberoende komponentanalys
• Balanserad iterativ reduktion och klustring med hjälp av hierarkier (BIRCH)

Lektion 7: Ensembleinlärning

I det här avsnittet fördjupar vi oss i tekniker för ensembleinlärning och utforskar sekventiella och parallella ensemblemetoder. Deltagarna får lära sig olika ensemblemetoder, t.ex. bagging, boosting och stacking, samt deras praktiska tillämpningar. Genom guidade övningar får deltagarna praktisk erfarenhet av att implementera ensemble-tekniker för att minska felen och förbättra modellens prestanda. Dessutom utforskar de strategier som medelvärdesbildning och maxröstning för att ytterligare förbättra ensemblens inlärningsresultat.

Ämnen som omfattas:

• Ensembleinlärning
• Sekventiell ensemble-teknik
• Parallell ensemble-teknik
• Olika typer av ensemblemetoder
• Bagging
• Boosting
• Stapling

Lektion 8: Rekommendationssystem

Denna modul ger en omfattande översikt över rekommendationsmotorer och utforskar deras underliggande principer och mekanismer. Deltagarna fördjupar sig i olika användningsfall och exempel på rekommendationssystem och får insikter i hur de utformas och implementeras. Genom praktiska övningar tillämpar deltagarna tekniker för kollaborativ filtrering, inklusive minnesbaserad modellering, objektbaserad och användarbaserad filtrering och modellbaserad kollaborativ filtrering. Dessutom utforskar de dimensionalitetsreduktion, matrisfaktoriseringsmetoder och noggrannhetsmatriser inom maskininlärning för att utvärdera och optimera rekommendationsmotorns prestanda.

Ämnen som behandlas:

• Hur fungerar rekommendationsmotorer?
• Användningsfall för rekommendationsmotorer
• Exempel på rekommendationssystem och hur de är utformade ¨
• Använd PyTorch för att bygga en rekommendationsmotor.

Projekt i industrin

I slutet av kursen kommer du att göra två projekt. Du kommer att tillämpa alla dina lärdomar och få praktisk erfarenhet av att arbeta med din nya kunskap.

• Projekt 1: Analys av personalomsättning - Skapa ML-program för att förutsäga personalomsättning, inklusive datakvalitetskontroller, EDA, klustring etc. och föreslå strategier för att behålla personal baserat på sannolikhetspoäng.
• Projekt 2: Segmentering av låtar - Utför explorativ dataanalys och klusteranalys för att skapa kohorter av låtar.

Bonuskurser:

Bonus 1: Uppfräschning av matematik

• Sannolikhet och statistik
• Koordinatgeometri
• Linjär algebra
• Eingenvärden Egenvektorer och Eigendekomposition
• Introduktion till kalkyl

Bonus 2: Statistik som är nödvändig för datavetenskap

• Introduktion till statistik
• Förståelse av data
• Beskrivande statistik
• Visualisering av data
• Sannolikhet
• Sannolikhetsfördelningar
• Sampling och samplingstekniker
• Inferentiell statistik
• Tillämpning av inferentiell statistik
• Relation mellan variabler
• Tillämpning av statistik i affärslivet
• Assisterad praktik

Certifikat

Efter att ha slutfört denna kurs Machine Learning using Python kommer du att få ett certifikat som vittnar om dina färdigheter som maskininlärningsexpert.