Sertifiseringskurs i maskinlæring med Python
4.900,00 NOK
- 40 hours
Dette kurset i maskinlæring med Python gir en grundig oversikt over ML-emner, inkludert arbeid med sanntidsdata, utvikling av overvåkede og uovervåkede læringsalgoritmer, regresjon, klassifisering og modellering av tidsserier. I dette sertifiseringstreningen for maskinlæring vil du lære hvordan du bruker Python til å gjøre prediksjoner basert på data. Etter fullføring av dette kurset i maskinlæring med Python, vil du motta et sertifikat som bekrefter dine ferdigheter som en ekspert på maskinlæring.
Oversikt
Lås opp dataenes potensial med maskinlæring med Python-kurs
- Oppnå karrieresuksess med vårt omfattende kurs i maskinlæring
- Lær fra over 40 timer med anvendt læring og interaktive laboratorier
- Fullfør 4 praktiske prosjekter for å styrke forståelsen din
- Få støtte fra mentorer under læringsprosessen din
- Beherske nøkkelkonsepter i ML for sertifisering
- Tilegn deg ferdighetene som trengs for å bli en vellykket maskinlæringsingeniør
Spesialtilbud:
I tillegg til dette praktiske e-læringskurset, tilbyr vi deg gratis tilgang til våre nettbaserte klasseromssesjoner. Du har 90 dager på å bestille gratis nettbaserte opplæringssesjoner, som alltid finner sted til fleksible tider. I tillegg til e-læringen og hvis du ønsker det, vil du ha muligheten til å samhandle med instruktøren og andre deltakere. Disse nettbaserte klasseromssesjonene blir også tatt opp slik at du kan lagre dem.
Ferdigheter:
- Overvåket og uovervåket læring
- Lineær og logistisk regresjon
- KMeans-klustering
- Beslutningstrær
- Boosting- og Bagging-teknikker
- Tidsseriemodellering
- SVM med kjerner
- Naiv Bayes
- Tilfeldige skogklassifikatorer
- Grunnleggende om dyp læring
Nøkkelfunksjoner
Språk
Kurset og materialet er på engelsk
35+ timer med kombinert læring
32 timer med direkteundervisning på nett og 6 timer med e-læring i eget tempo
Tilgang
Livslang tilgang til selvstudiumsmateriell
Flexi Pass aktivert
muligheten til å booke om din online live klasseromsgruppe innen de første 90 dagene av tilgangen.
Interaktiv læring med Google Colabs
Direkte, nettbasert klasseromsundervisning av toppinstruktører og utøvere
Prosjekter
Prosjekter for erfaringslæring basert på industri
Praktiske ferdigheter
og praktisk erfaring med å anvende maskinlæring for å takle reelle datautfordringer.
Gratis bonuskurs
Matematikkoppfriskning & Statistikk Grunnleggende for Data Science
Kursplan
Matematikkoppfriskning
Gratis kurs 1
- Sannsynlighet og statistikk
- Koordinatgeometri
- Lineær algebra
- Egenverdier, egenvektorer og egenverdi-nedbrytning
- Innføring i kalkulus
Statistikk essensielt for dataanalyse
Gratis kurs 2
- Innføring i statistikk
- Forstå dataene
- Deskriptiv statistikk
- Data Visualisering
- Sannsynlighet
- Sannsynlighetsfordelinger
- Utvalg og utvalgsteknikker
- Inferensiell statistikk
- Anvendelse av inferensiell statistikk
- Relasjon mellom variabler
- Anvendelse av statistikk i næringslivet
- Veiledet praksis
Introduksjon
Leksjon 01
Start dette programmet med å forstå kursseksjonene og de dekkede emnene. Dette vil hjelpe deg å være forberedt til de kommende øktene.
Introduksjon til maskinlæring
Leksjon 02
Kurset dekker de grunnleggende konseptene innen maskinlæring, inkludert definisjonen og ulike typer. Det gir også et dypere innblikk i maskinlæringsprosessen, MLOps og AutoML, og gir innsikt i hvordan man distribuerer maskinlæringsmodeller i stor skala. I tillegg blir studentene introdusert til de viktigste Python-pakkene for maskinlæringsoppgaver, noe som gjør dem i stand til å bruke Pythons robuste økosystem for å utvikle løsninger for maskinlæring.
Emner:
- Hva er maskinlæring?
- Ulike typer maskinlæring
- Maskinlæringspipeline, MLOps og AutoML
- Introduksjon til Python-pakker for maskinlæring
Overvåket læring
Leksjon 03
Avsnittet om overvåket læring utforsker dens praktiske anvendelser i forskjellige domener og er ledsaget av diskusjoner om dens relevans og betydning i virkelige scenarier. Studenter engasjerer seg i praktiske aktiviteter for å forberede og forme data for oppgaver med overvåket læring, etterfulgt av diskusjoner om overtilpasning og undertilpasning. I tillegg tilbys praktiske øvelser for å oppdage og unngå disse problemene, samt innsikt i regulariseringsteknikker for å optimalisere modellens ytelse og redusere overtilpasning.
Emner:
- Overvåket læring
- Anvendelser av overvåket læring
- Overfitting og underfitting
- Regularisering
Regressjon og dens anvendelse
Leksjon 04
Dette segmentet utforsker grunnleggende om regresjonsanalyse, dekker definisjonen og forskjellige typer, inkludert lineær, logistisk, polynomisk, rygg og lasso-regresjon. Diskusjoner fremhever de kritiske forutsetningene som ligger til grunn for lineær regresjon, og praktiske øvelser gir praktisk erfaring med lineær regresjonsmodellering. Deltakerne vil også engasjere seg i datautforskning ved hjelp av teknikker som SMOTE-oversampling og forberede, bygge og evaluere regresjonsmodeller for å bli dyktige i regresjonsanalyse.
Emner:
- Hva er regresjon?
- Typer av regresjonsanalyse
- Lineær regresjon
- Kritiske forutsetninger for lineær regresjon
- Logistisk regresjon
- Oversampling med SMOTE
- Polynomregresjon
- Ridge-regresjon
- Lasso-regresjon
Klassifisering og anvendelser
Leksjon 05
Denne delen dekker klassifiseringsalgoritmer og deres definisjoner, typer og anvendelser, samt valg av ytelsesparametere. Deltakerne blir dypt involvert i ulike klassifiseringsteknikker, som Naive Bayes, Stokastisk Gradientnedstigning, K-Nærmeste Naboer, Beslutningstrær, Tilfeldig Skog, Boruta og Støttevektormaskiner, gjennom diskusjoner og veiledede øvelser. Viktige konsepter som Cohens Kappa blir også diskutert, etterfulgt av kunnskapstester for å forsterke forståelsen.
Emner:
- Hva er klassifiseringsalgoritmer?
- Ulike typer klassifisering
- Typer applikasjoner og valg av ytelsesparametere
- Naive Bayes
- Stokastisk gradientnedstigning
- K-nabo populasjoner
- Beslutningstre Tilfeldig Skog
- Boruta
- Støttevektormaskin
- Cohens kappe
Uovervåkede algoritmer
Leksjon 06
Dette segmentet introduserer studenter til ulike algoritmer for uovervåket læring, og dekker deres typer, anvendelser og ytelsesparametere. Deltakerne engasjerer seg i praktiske aktiviteter som å visualisere resultater og anvende teknikker som hierarkisk klyngeanalyse, K-Means klyngeanalyse og K-Medoids algoritmen. I tillegg utforsker de metoder for avviksdeteksjon og teknikker for reduksjon av dimensjonalitet som Principal Component Analysis (PCA), Singular Value Decomposition og Independent Component Analysis. Praktisk anvendelse av disse algoritmene demonstreres gjennom veiledede øvelser, noe som forbedrer studentenes forståelse av konsepter innen uovervåket læring.
Emner som dekkes:
- Uovervåkede algoritmer
- Ulike typer av usuperviserte algoritmer
- Når skal man bruke uovervåkede algoritmer?
- Parametere for ytelse
- Typer av klyngedannelse
- K-Means klustering
- K-Medoids-algoritmen
- Outliers
- Påvisning av avvik
- Hovedkomponentanalyse
- Korrespondanseanalyse og multippel korrespondanseanalyse (MKA)
- Singulærverdi-dekomposisjon
- Uavhengig komponentanalyse
- Balansert iterativ reduksjon og klynging ved hjelp av hierarkier (BIRCH)
Ensemblelæring
Leksjon 07
Denne delen dekker klassifiseringsalgoritmer og deres definisjoner, typer og anvendelser, samt valg av ytelsesparametere. Deltakerne blir dypt involvert i ulike klassifiseringsteknikker, som Naive Bayes, Stokastisk Gradientnedstigning, K-nærmeste naboer, Beslutningstrær, Tilfeldig Skog, Boruta og Støttevektormaskiner, gjennom diskusjoner og veiledede øvelser. Viktige konsepter som Cohens Kappa blir også diskutert, etterfulgt av kunnskapstester for å forsterke forståelsen.
Emner:
- Hva er klassifiseringsalgoritmer?
- Ulike typer klassifisering
- Typer applikasjoner og valg av ytelsesparametere
- Naive Bayes
- Stokastisk gradientnedstigning
- K-nabo populasjoner
- Beslutningstre Tilfeldig Skog
- Boruta
- Støttevektormaskin
- Cohens kappe
Anbefalingssystemer
Leksjon 08
Dette kurset gir en omfattende oversikt over anbefalingsmotorer og utforsker deres underliggende prinsipper og mekanismer. Deltakerne blir fordypet i ulike bruksområder og eksempler på anbefalingssystemer og får innsikt i deres design og implementering. Gjennom praktiske øvelser anvender deltakerne teknikker for samarbeidsfiltrering, inkludert minnebasert modellering, objektbasert og brukerbasert filtrering, samt modellbasert samarbeidsfiltrering. I tillegg utforsker de dimensjonsreduksjon, matrisefaktoriseringsteknikker og nøyaktighetsmatriser i maskinlæring for å evaluere og optimalisere ytelsen til anbefalingsmotorer.
Emner:
- Hvordan fungerer anbefalingsmaskiner?
- Bruksområder for anbefalingsmaskiner
- Eksempler på anbefalingssystemer og hvordan de er designet
- Bruke PyTorch til å bygge en anbefalingsmotor.
Industriprosjekter
Ved slutten av kurset skal du gjøre to prosjekter. Du vil anvende alt du har lært og få praktisk erfaring med din nye kunnskap.
- Prosjekt 1: Analyse av ansattes turnover - Opprett ML-programmer for å forutsi ansattes turnover, inkludert sjekker av datakvalitet, EDA, klyngedannelse osv., og foreslå strategier for å beholde ansatte basert på sannsynlighetsskårer.
- Prosjekt 2: Segmentering av sanger - Utfør utforskende dataanalyse og klyngeanalyse for å opprette kohorter av sanger.
Læringsutbytte
Dette kurset i maskinlæring med Python vil gjøre deg i stand til å:
Typer av ML
Utforsk de forskjellige typene maskinlæring og deres respektive kjennetegn.
Nøkkeloperasjon
Analyser maskinlæringspipeline og forstå de viktigste operasjonene som er involvert i maskinlæring (MLOps).
Overvåket læring
Å lære om overvåket læring og dets brede spekter av anvendelser.
Passende
Forstå konseptene overtilpasning og underjustering og bruk teknikker for å oppdage og forhindre dem.
Regresjon
Analyser ulike regresjonsmodeller og deres egnethet for forskjellige scenarioer. Identifiser linearitet mellom variabler og opprett korrelasjonskart.
Algoritmer
List opp ulike typer klassifiseringsalgoritmer og forstå deres spesifikke anvendelser.
Uovervåket
Behersk forskjellige typer av ulærte læringsmetoder og vit når du skal bruke dem. Få en dyp forståelse av forskjellige klyngemetoder i ulært læring.
Modellering
Utforsk ulike ensemblemodelleringsteknikker, som bagging, boosting og stacking.
Sammenlign
Vurder og sammenlign ulike maskinlæringsrammeverk, inkludert TensorFlow og Keras.
PyTorch
Bygg en anbefalingsmotor med PyTorch
Visualisering
Lage visualiseringer med Matplotlib, Seaborn, Plotly og Bokeh.
Hvem bør melde seg på dette programmet?
En fremtredende dataingeniør bygger og vedlikeholder datastrukturer og arkitekturer for datainnsamling, -behandling og -utrulling for storskala, dataintensive applikasjoner. Det er en lovende karriere for både nye og erfarne fagfolk med en lidenskap for data, inkludert:
Data Scientist
Maskinlæringsingeniør
Kunstig intelligens-ingeniør
Utvikler for forretningsintelligens
Programvareingeniør
Forsker i kunstig intelligens
Språkteknolog
Produktleder for AI
Kvalifisering
Kvalifisering
Maskinlæringskurset med bruk av Python passer godt for deltakere på mellomnivå, inkludert analytikere, forretningsanalytikere, informasjonsarkitekter, utviklere som ønsker å bli maskinlæringsingeniører eller datavitenskapsmenn, og nyutdannede som søker en karriere innen datavitenskap og maskinlæring.
Forutsetninger
Studenter må ha en bachelorgrad eller et vitnemål fra videregående skole. En forståelse av grunnleggende statistikk og matematikk på høyskolenivå. Kjennskap til Python-programmering er også gunstig. Før man begynner på maskinlærings Python-sertifiseringstreningen, bør man forstå grunnleggende kurs, inkludert Python for datavitenskap, oppfriskningskurs i matematikk og statistikk essensielt for datavitenskap.
Ofte stilte spørsmål
Trenger du bedriftsløsning eller LMS-integrasjon?
Fant du ikke kurset eller programmet som ville være passende for din bedrift? Trenger du LMS-integrasjon? Ta kontakt med oss! Vi er agile og løser alt!