Изучите основы машинного обучения
Изучите основы машинного обучения
Программа “Основы машинного обучения” разработана для того, чтобы предложить прочную основу и готовые к работе навыки для инженеров машинного обучения, специалистов по анализу данных и искусственного интеллекта. Получите практический опыт в области предварительной обработки данных, временных рядов, анализа текстов, контролируемого и неконтролируемого обучения. Программа идеально подходит для всех, кто хочет изучить машинное обучение и начать свою карьеру.
(Смотреть вступительное видео)
- 6 часов самостоятельных видеоуроков
- Сертификат о прохождении курса
- 90 дней доступа к бесплатному курсу
- Записывайтесь и получайте вознаграждения
Навыки машинного обучения, которые вы изучите
- Контролируемое и неконтролируемое обучение
- Моделирование временных рядов
- Линейная и логистическая регрессия
- Ядерная SVM
- Кластеризация KMeans
- Наивный Байес
- Дерево решений
- Классификаторы случайного леса
- Методы Boosting и Bagging
- Основы глубокого обучения
Кому следует изучать машинное обучение
- Менеджеры по аналитике
- Бизнес-аналитики
- Информационные архитекторы
- Разработчики
Что вы узнаете в программе “Основы машинного обучения
Машинное обучение
Урок 01: Введение в курс
1.01 Введение в курс
1.02 Демонстрация: Jupyter Lab Walk – Through
Урок 02: Введение в машинное обучение
2.01 Цели обучения
2.02 Взаимосвязь между искусственным интеллектом, машинным обучением и наукой о данных: Часть А
2.03 Взаимосвязь между искусственным интеллектом, машинным обучением и наукой о данных: Часть B
2.04 Определение и особенности машинного обучения
2.05 Подходы к машинному обучению
2.06 Основные выводы
Урок 03: Регрессия и классификация в контролируемом обучении
3.01 Цели обучения
3.02 Контролируемое обучение
3.03 Контролируемое обучение: Сценарий реальной жизни
3.04 Понимание алгоритма
3.05 Поток контролируемого обучения
3.06 Типы контролируемого обучения: Часть A
3.07 Типы контролируемого обучения: Часть B
3.08 Типы алгоритмов классификации
3.09 Типы алгоритмов регрессии: Часть A
3.10 Пример использования регрессии
3.11 Метрики точности
3.12 Функция стоимости
3.13 Оценка коэффициентов
3.14 Демонстрация: Линейная регрессия
3.15 Проблемы в прогнозировании
3.16 Типы алгоритмов регрессии: Часть B
3.17 Демонстрация: Bigmart
3.18 Логистическая регрессия: Часть A
3.19 Логистическая регрессия: Часть B
3.20 Сигмоидная вероятность
3.21 Матрица точности
3.22 Демонстрация: Выживание пассажиров Титаника
3.23 Обзор классификации
3.24 Классификация: Алгоритм контролируемого обучения
3.25 Примеры использования
3.26 Алгоритмы классификации
3.27 Показатели эффективности: Матрица смешения
3.28 Показатели эффективности: Матрица затрат
3.29 Классификатор Наивного Байеса
3.30 Шаги для вычисления последующей вероятности: Часть A
3.31 Шаги по вычислению постстепенной вероятности: Часть B
3.32 Машины опорных векторов: Линейная сепарабельность
3.33 Машины опорных векторов: Маржа классификации
3.34 Линейная SVM: Математическое представление
3.3
5.01 Цели обучения
5.02 Обзор
5.03 Примеры и применение неконтролируемого обучения
5.04 Кластеризация
5.05 Иерархическая кластеризация
5.06 Иерархическая кластеризация: Пример
5.07 Демонстрация: Кластеризация животных
5.08 Кластеризация по методу K-средних
5.09 Оптимальное количество кластеров
5.10 Демонстрация: Стимулирование на основе кластеров
5.11 Основные выводы
Урок 06: Моделирование временных рядов
6.01 Цели обучения
6.02 Обзор моделирования временных рядов
6.03 Типы моделей временных рядов: Часть A
6.04 Типы моделей временных рядов: Часть B
6.05 Белый шум
6.06 Стационарность
6.07 Устранение нестационарности
6.08 Демонстрация: Авиапассажиры I
6.09 Модели временных рядов: Часть A
6.10 Модели временных рядов: Часть B
6.11 Модели временных рядов: Часть C
6.12 Этапы прогнозирования временных рядов
6.13 Демонстрация: Авиапассажиры II
6.14 Основные выводы
Урок 07: Ансамблевое обучение
7.01 Цели обучения
7.02 Обзор
7.03 Методы ансамблевого обучения: Часть A
7.04 Методы ансамблевого обучения: Часть B
7.05 Работа AdaBoost
7.06 Алгоритм AdaBoost и блок-схема
7.07 Градиентный бустинг
7.08 XGBoost
7.09 Параметры XGBoost: Часть A
7.10 Параметры XGBoost: Часть B
7.11 Демонстрация: Диабет индейцев пима
7.12 Выбор модели
7.13 Общие стратегии разделения
7.14 Демонстрация: Перекрестная валидация
7.15 Основные выводы
Урок 08: Рекомендательные системы
8.01 Цели обучения
8.02 Введение
8.03 Цели рекомендательных систем
8.04 Парадигмы рекомендательных систем
8.05 Коллаборативная фильтрация: Часть A
8.06 Коллаборативная фильтрация: Часть B
8.07 Ассоциативные правила: Добыча
8.08 Ассоциативное правило: Анализ рыночной корзины
8.09 Ассоциативное правило: Генерация алгоритма Априори
8.10 Пример алгоритма Apriori: Часть A
8.11 Пример алгоритма Априори: Часть B
8.12 Алгоритм Априори: Выбор правила
8.13 Демонстрация: Модель рекомендации фильма пользователю
8.14 Основные выводы
Урок 09: Сессии повышения уровня
Сессия 01
Сессия 02
Практический проект
Прогнозирование цен на жилье в Калифорнии
Детектор фишинга с LR
Получите сертификат о прохождении курса
Поделитесь своим сертификатом с потенциальными работодателями и своей профессиональной сетью на LinkedIn.
Почему вы должны изучать машинное обучение
8,81 миллиарда долларов
Ожидаемый рост рынка машинного обучения к 2022 году
44,1% роста
Принятие машинного обучения в организациях
Возможности карьерного роста
$83K – $154K в год
$78K – $150K в год
Вопросы и ответы
Каковы предварительные требования для изучения программы “Основы машинного обучения”?
Предварительное знание основ математики, статистики и программирования на Python является полезным для прохождения этого курса по основам машинного обучения.
Как начинающие изучают основы машинного обучения?
Новички часто полагаются на бесплатные онлайн-учебники или на изучение основ Machine Learning. Для надежного старта в этой области отличным вариантом будет бесплатный курс “Машинное обучение для начинающих” от Simplilearn, а затем вы можете перейти к нашему курсу AI и ML.
Сколько времени требуется для изучения машинного обучения?
Время, необходимое для изучения машинного обучения, варьируется для каждого учащегося в зависимости от его образования и предыдущего опыта в этой области. 7 часов онлайн-контента, охватываемого в данном курсе
Simplilearn подбирает все свои курсы в соответствии с потребностями учащихся. Даже если у вас нет предварительного представления о Machine Learning, вам будет легко следовать видеоурокам, рассматриваемым в этой программе по основам Machine Learning.
Что такое основы в программе обучения основам Machine Learning?
Бесплатный онлайн-курс “Машинное обучение” от Simplilearn начинается с таких основ, как связь машинного обучения с искусственным интеллектом, общие термины в этой области и типы машинного обучения – контролируемое, неконтролируемое и усиленное.
Что такое машинное обучение?
Машинное обучение является неотъемлемой частью искусственного интеллекта (ИИ). Приложения в области машинного обучения учатся на основе опыта, как люди – в данном случае на основе данных – без какого-либо прямого программирования. Каждый раз, когда приложения машинного обучения сталкиваются с новыми данными, они обучаются и переобучаются, используя алгоритмы в итерационном процессе.
Для чего используется машинное обучение?
Машинное обучение используется для создания систем, способных самостоятельно обучаться и совершенствовать свои действия, получая обратную связь от прошлого опыта, подобно тому, как это делают люди. Поскольку машинное обучение облегчает анализ огромных объемов данных, компании используют его для получения более быстрых и точных результатов и получения больших прибылей.
Почему машинное обучение так популярно?
Искусственный интеллект и машинное обучение, безусловно, являются доминирующими технологиями четвертой промышленной революции. Машинное обучение стало популярным благодаря технологически продвинутым продуктам, которые могут быть созданы с его помощью. Некоторые из них включают в себя самоуправляемые автомобили, виртуальные помощники, распознавание спама и распознавание лиц. Это обуславливает спрос на профессии в области машинного обучения.
Зачем изучать машинное обучение?
Машинное обучение (ML) – это технология, которая произвела революцию в нашей жизни в 21 веке. Самоуправляемые автомобили, обнаружение кибермошенничества, системы онлайн-рекомендаций от Facebook, Spotify, Netflix и Amazon – все это приложения машинного обучения. Согласно недавнему отчету TMR, ожидается, что к концу 2025 года объем рынка MLaaS (машинное обучение как услуга) вырастет до 19,9 млрд долларов. Почти каждая организация, ориентированная на клиента, сегодня в той или иной форме находится на пути к внедрению ИИ. Это привело к одновременному всплеску спроса на квалифицированных инженеров машинного обучения на ведущих предприятиях по всему миру – а это значит, что сейчас самое время учиться, записываясь на курсы машинного обучения. Для получения дополнительной информации посмотрите это видео.
Кто может изучать машинное обучение?
Вы можете изучать Machine Learning, если вы являетесь одним из следующих специалистов:
Менеджер по аналитике
бизнес-аналитик
Информационный архитектор
Разработчик
Могу ли я завершить эту программу по основам Machine Learning за 90 дней?
Занимаясь в своем собственном темпе, вы сможете с комфортом пройти курс в течение 90 дней.
Получу ли я сертификат после завершения программы “Основы машинного обучения”?
Да, вы получите сертификат о прохождении курса от SkillUp по окончании программы “Основы Machine Learning”.
После завершения этого курса по основам машинного обучения вы можете изучать продвинутые концепции на других курсах, таких как курсы по искусственному интеллекту, магистратура по искусственному интеллекту или программа PG по искусственному интеллекту и машинному обучению.
Каковы возможности карьерного роста в области машинного обучения?