AVC Machine Learning - eLearning

- Kursintroduksjon.

- Læringsmål

- Fremveksten av kunstig intelligens

- Kunstig intelligens i praksis

- Sci-fi-filmer med konseptet AI

- Anbefalingssystemer

- Forholdet mellom kunstig intelligens, maskinlæring og datavitenskap - Del A

- Forholdet mellom kunstig intelligens, maskinlæring og datavitenskap - Del B

- Definisjon og kjennetegn ved maskinlæring

- Tilnærminger til maskinlæring

- Maskinlæringsteknikker

- Anvendelser av maskinlæring - Del A

- Anvendelser av maskinlæring - Del B

- Viktige punkter

- Læringsmål

- Datautforsking: Laste inn filer

- Demo: Import og lagring av data

- Praksis: Utforskning av bildata I

- Teknikker for datautforskning: Del 1

- Teknikker for datautforskning: Del 2

- Seaborn

- Demo: Korrelasjonsanalyse

- Praksis: Utforskning av bildata II

- Datahåndtering

- Manglende verdier i et datasett

- Avvikende Verdier i et Datasett

- Demo: Behandling av avvik og manglende verdier

- Praksis: Datautforskning III

- Datahåndtering

- Funksjonaliteter til dataobjekt i Python: Del A

- Funksjonaliteter av dataobjekt i Python: Del B

- Ulike typer av koblinger

- Typecasting

- Demo: Sammenligning av arbeidstimer

- Praksis: Datahåndtering

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Lagring av testresultater

- Læringsmål

- Overvåket læring

- Overvåket læring - Virkelighetssenario

- Forstå algoritmen

- Overvåket læringsflyt

- Typer av veiledet læring – Del A

- Typer av veiledet læring – Del B

- Typer klassifiseringsalgoritmer

- Typer regresjonsalgoritmer - Del A

- Regresjon Brukstilfelle

- Nøyaktighetsmålinger

- Kostnadsfunksjon

- Evaluere koeffisienter

- Demo: Lineær regresjon

- Praksis: Boston Homes I

- Utfordringer ved prediksjon

- Typer regresjonsalgoritmer - Del B

- Demo: Bigmart

- Praksis: Boston Homes II

- Logistisk regresjon - Del A

- Logistisk regresjon - Del B

- Sigmoid sannsynlighet

- Nøyaktighetsmatrise

- Demo: Overlevelse av Titanic-passasjerer

- Praksis: Irisarter

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Kostnader for helseforsikring

- Læringsmål

- Funksjonsutvalg

- Regresjon

- Faktoranalyse

- Faktoranalyseprosess

- Hovedkomponentanalyse (PCA)

- Første hovedkomponent

- Egenverdier og PCA

- Demo: Funksjonsreduksjon

- Praksis: PCA-transformasjon

- Lineær Diskriminantanalyse

- Maksimalt separerbare linje

- Finn den maksimale separerbare linjen

- Demo: Merket funksjonsreduksjon

- Praksis: LDA-transformasjon

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Forenkling av kreftbehandling

- Læringsmål

- Oversikt over klassifisering

- Klassifisering: En algoritme for overvåket læring

- Bruksområder

- Klassifiseringsalgoritmer

- Beslutningstre: Klassifikator

- Beslutningstre: Eksempler

- Beslutningstre: Formasjon

- Velge klassifisereren

- Overtilpasning av beslutningstrær

- Tilfeldig skogklassifisering - Vesking og oppstøvling

- Beslutningstre og tilfeldig skog-klassifikator

- Ytelsesmål: Forvirringsmatrise

- Ytelsesmål: Kostnadsmatrise

- Demo: Hestoverlevelse

- Praksis: Risikoanalyse av lån

- Naiv Bayes-klassifikator

- Trinn for å beregne posterior sannsynlighet: Del A

- Trinn for å beregne posterior sannsynlighet: Del B

- Støttevektormaskiner: Lineær separerbarhet

- Støttevektormaskiner: Klassifiseringsmargin

- Lineær SVM: Matematisk representasjon

- Ikke-lineære SVM-er

- Kjernetrikset

- Demo: Stemmeklassifisering

- Praksis: Klassifisering av høyskoler

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Klassifiser kinematisk data

- Læringsmål

- Oversikt Eksempel og anvendelser av ulært læring

- Klyngeanalyse Hierarkisk klyngeanalyse

- Hierarkisk klyngeanalyse: Eksempel

- Demo: Klyngeanalyse av dyr

- Praksis: Kundesegmentering

- K-means klyngeanalyse

- Optimalt antall klynger

- Demo: Klyngebasert insentivisering

- Praksis: Bildesegmentering

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Klyngeanalyse av bilddata

- Læringsmål

- Oversikt over tidsseriemodellering

- Tidsseriemønstertyper Del A

- Tidsseriemønstertyper Del B

- Hvit Støy

- Fjerning av ikke-stasjonaritet

- Demo: Luftpassasjerer I

- Praksis: Ølproduksjon I

- Tidsseriemodeller Del A

- Tidsseriemodeller Del B

- Tidsseriemodeller Del C

- Trinn i tidsseriefremstilling

- Demo: Luftpassasjerer II

- Praksis: Ølproduksjon II

- Viktige poenger

- Prosjektoppgave ved leksjonsslutt: IMFs råvareprisprognose

- Læringsmål

- Oversikt over ensemblelæringsmetoder Del A

- Metoder for ensemblelæring del B

- Funksjonen til AdaBoost

- AdaBoost-algoritmen og flytskjema

- Gradientforsterkning

- XGBoost

- XGBoost-parametere Del A

- XGBoost-parametere Del B

- Demo: Pima-indianernes diabetes

- Praksis: Lineært Separerbare Arter

- Modellutvalg

- Vanlige delingsstrategier

- Demo: Kryssvalidering

- Praksis: Modellutvalg

- Viktige punkter

- Prosjektoppgave ved leksjonsslutt: Finjustering av klassifiseringsmodell med XGBoost

- Læringsmål

- Formål med anbefalingssystemer

- Paradigmer for anbefalingssystemer

- Samarbeidsfiltrering Del A

- Samarbeidsfiltrering Del B

- Assosiasjonsregelutvinning

- Assosiasjonsregelutvinning: Markedsanalyse av handlekurv

- Assosiasjonsregelgenerering: Apriori-algoritme

- Eksempel på Apriori-algoritme: Del A

- Eksempel på Apriori-algoritme: Del B

- Apriori-algoritme: Regelvalg

- Demo: Bruker-film-anbefalingsmodell

- Praksis: Film-film-anbefaling

- Viktige poeng

- Prosjekt ved leksjonsavslutningen: Anbefaling av bokutleie

- Læringsmål

- Oversikt over tekstutvinning

- Betydning av tekstutvinning

- Bruksområder for tekstutvinning

- Naturlig språkverktøybibliotek

- Tekstutvinning og -forbehandling: Tokenisering

- Tekstutvinning og -forbehandling: N-grammer

- Tekstutvinning og -forbehandling: Fjerning av stoppord

- Tekstutvinning og -forbehandling: Staving

- Tekstutvinning og -forbehandling: Lematisme

- Tekstutvinning og -forbehandling: POS-tagging

- Tekstutvinning og -forbehandling: Navngjenkjenning av enheter

- Arbeidsflyt for NLP-prosess

- Demo: Bearbeiding av Brown-korpus

- Praksis: Wiki-korpus

- Strukturering av setninger: Syntax Rendering Syntax Trees

- Strukturering av setninger: Chunking og Chunk Parsing

- NP og VP Chunk og Parser

- Strukturering av setninger: Chinking Context-Free

- Demo for grammatikk (CFG): Twitter-sentimenter

- Praksis: Flyselskapssentiment

- Viktige poeng

- Prosjekt ved leksjonsavslutningen: FIFA verdensmesterskap

Design en algoritme som vil fortelle prisen som skal belastes passasjeren. Uber ønsker å forbedre nøyaktigheten til modellen for tariffprognoser. Hjelp Uber med å velge de beste data- og AI-teknologiene for å bygge sin neste generasjonsmodell.

Reduser tiden en Mercedes-Benz bruker på testbenken. Mercedes-Benz ønsker å forkorte tiden modellene bruker på sin testbenk, og dermed flytte den til markedsfase raskere. Bygg og optimaliser en maskinlæringsalgoritme for å løse dette problemet.

Design en algoritme for å nøyaktig forutsi tilgangsrettigheter for Amazon-ansatte. Bruk dataene til Amazon-ansatte og deres tilgangstillatelser til å bygge en modell som automatisk bestemmer tilgangsrettigheter når ansatte går inn og forlater roller innen Amazon.

Identifiser nivået av inntektskvalifisering som trengs for familier i Latin-Amerika. Den Interamerikanske Utviklingsbanken ønsker å kvalifisere mennesker for et hjelpeprogram. Hjelp banken med å bygge og forbedre nøyaktigheten til datasettet ved hjelp av en tilfeldig skogklassifikator.

Eksamen utføres helt online. Du har 3 eksamensforsøk. Det er nødvendig å bestille eksamensforsøket mer enn 48 timer på forhånd.

• Flervalg
• 90 spørsmål per eksamen
• Én merke gis for hver riktig svar
• Ingen negative merker for feil svar
• Varighet på 120 minutter
• Overvåket online eksamen