Machine Learning med hjälp av Python (Maskininlärning) - certifieringskurs

Machine Learning med hjälp av Python

Certifieringskurs

Frigör datapotential med maskininlärning med Python-kurs

• Få karriärframgång med vår omfattande maskininlärningskurs
• Lär dig av 40+ timmars tillämpad inlärning och interaktiva laboratorier
• Slutför 4 praktiska projekt för att stärka din förståelse
• Få mentorstöd under hela din inlärningsresa
• Behärska viktiga ML-koncept för certifiering
• Få de färdigheter som behövs för att bli en framgångsrik maskininlärningsingenjör

Erbjudande: Förutom denna praktiska e-learningkurs erbjuder vi dig fri tillgång till våra online-klassrumssessioner. Du har 90 dagar på dig att boka kostnadsfria utbildningstillfällen online, som alltid äger rum på flexibla tider. Förutom din e-learning och om du vill, kommer du att ha möjlighet att interagera med utbildaren och andra deltagare. Dessa online-klassrumssessioner spelas också in, så att du kan spara dem.

Maskininlärning med hjälp av Python Kursöversikt

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 certifieringsutbildning för maskininlärning lär du dig hur du använder Python för att dra förutsägelser från data.

Maskininlärning med hjälp av Python - ViktigaEgenskaper

• 30+ timmar av blandad inlärning
• 30+ assisterade övningar och lektionsvisa kunskapskontroller
• Flexi Pass aktiverat: Möjlighet att boka om din kohort inom de första 90 dagarna av tillgång.
• 90 dagars flexibel tillgång till onlinekurser
• Live, online klassrumsutbildning av toppinstruktörer och utövare
• Livstids tillgång till lärandeinnehåll i egen takt
• Branschbaserade projekt för erfarenhetsbaserad inlärning
• Interaktiv inlärning med Google Colabs
• Dedikerade live-sessioner av fakulteten med branschexperter
• Praktiska färdigheter och praktisk erfarenhet av att tillämpa maskininlärning för att hantera datautmaningar i den verkliga världen.

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
• Grundläggande om 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 brett spektrum av applikationer.
• Förstå begreppen overfitting och underfitting och underfitting och använda tekniker för att 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.

Utbildningsplan

1. Kursintroduktion
2. Introduktion till maskininlärning
3. Övervakad inlärning
4. Regression och dess tillämpningar
5. Klassificering och dess tillämpningar
6. Algoritmer för oövervakad inlärning
7. Ensemble-inlärning
8. Rekommenderande system

Lektion 1: Introduktion till kursen

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

Lektion 2: Introduktion till maskininlärning

Kursen täcker de grundläggande begreppen för 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 eleverna 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. Eleverna 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 förhindra dessa problem och insikter i regulariseringstekniker för att optimera modellprestanda och mildra överanpassning.

Ämnen som omfattas:

• Övervakad inlärning
• Tillämpningar av övervakad inlärning
• Överanpassning och underanpassning
• Regularisering

Lektion 4: Regression och dess tillämpning

Detta segment fördjupar sig i grunderna för regressionsanalys och täcker dess definition och olika typer, inklusive linjär, logistisk, polynomisk, ridge och lasso-regression. 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 omfattas:

• Vad är regression?
• 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

I det här avsnittet behandlas klassificeringsalgoritmer och deras definitioner, typer och tillämpningar samt val av prestandaparametrar. Deltagarna fördjupar sig i olika klassificeringstekniker, till exempel 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 omfattas:

• 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 eleverna 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 att upptäcka avvikelser och tekniker för dimensionsreduktion som Principal Component Analysis (PCA), Singular Value Decomposition och Independent Component Analysis. Praktiska tillämpningar av dessa algoritmer demonstreras genom vägledda övningar, vilket förbättrar elevernas förståelse för koncept för oövervakad inlärning.

Ämnen som omfattas:

• Oövervakade algoritmer
• Olika typer av oövervakade algoritmer
• När ska man använda oövervakade algoritmer?
• Parametrar för prestanda
• Typer av klustring
• K-Means klustring
• K-Medoids-algoritm
• Uteliggare
• Detektering av outliers
• Huvudkomponentanalys
• Korrespondensanalys och multipel korrespondensanalys (MCA)
• Singulärvärde-dekomponering
• Oberoende komponentanalys
• Balanserad iterativ reducering och klustring med hjälp av hierarkier (BIRCH)

Lektion 7: Ensembleinlärning

I detta avsnitt fördjupar vi oss i tekniker för ensembleinlärning och utforskar sekventiella och parallella ensemblemetoder. Eleverna upptäcker olika ensemblemetoder, såsom bagging, boosting och stacking, tillsammans med deras praktiska tillämpningar. Genom guidade övningar får deltagarna praktisk erfarenhet av att implementera ensemble-tekniker för att minska fel och förbättra modellens prestanda. Dessutom utforskar de strategier som medelvärdesbildning och maxröstning för att förbättra ensemblens inlärningsresultat ytterligare.

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 deras design och implementering. Genom praktiska övningar tillämpar deltagarna tekniker för samarbetsfiltrering, inklusive minnesbaserad modellering, objektbaserad och användarbaserad filtrering samt modellbaserad samarbetsfiltrering. Dessutom utforskar de dimensionalitetsreduktion, matrisfaktoriseringsmetoder och noggrannhetsmatriser i maskininlärning för att utvärdera och optimera rekommendationsmotorns prestanda.

Ämnen som omfattas:

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

Projekt inom 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 dina nya kunskaper.

• 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.

Certifikat

Efter att ha slutfört denna kurs Machine Learning using Python kommer du att få ett certifikat, vilket kommer att vittna om dina färdigheter som expert på maskininlärning.