À propos de ce cours: L'apprentissage de la machine est la science de l'obtention d'ordinateurs à agir sans être explicitement programmée. Au cours de la dernière décennie, l'apprentissage automatique nous a donné des voitures autonomes, une reconnaissance pratique de la parole, une recherche Web efficace et une compréhension considérablement améliorée du génome humain. L'apprentissage de la machine est tellement omniprésent aujourd'hui que vous l'utilisez probablement des dizaines de fois par jour sans le savoir. De nombreux chercheurs pensent également que c'est le meilleur moyen de progresser vers l'AI de niveau humain. Dans cette classe, vous en apprendrez sur les techniques d'apprentissage des machines les plus efficaces et vous en tirerez de la pratique et de les mettre en œuvre et de les faire fonctionner pour vous-même. Plus important encore, vous découvrirez non seulement les fondements théoriques d'apprentissage, mais également à gagner le savoir-faire pratique nécessaire pour appliquer rapidement et puissamment ces techniques à de nouveaux problèmes. Enfin, vous apprendrez à propos des meilleures pratiques en matière d'innovation de Silicon Valley en ce qui concerne l'apprentissage de la machine et l'AI.
Ce cours fournit une introduction large à la reconnaissance de l'apprentissage, de la source de données et de la statistique. Les sujets incluent: (i) apprentissage supervisé (algorithmes paramétriques / non paramétriques, machines de vecteur de support, noyaux, réseaux de neurones). (ii) Apprentissage non supervisé (regroupement, réduction de dimensionnalité, systèmes de recommandation, apprentissage profond). (iii) les meilleures pratiques en matière d'apprentissage des machines (théorie de biais / variance; processus d'innovation dans l'apprentissage automatique et AI). Le cours s'appuiera également de nombreuses études de cas et d'applications, de sorte que vous apprendrez également à appliquer des algorithmes d'apprentissage pour créer des robots intelligents (perception, contrôle), compréhension du texte (recherche Web, anti-spam), vision informatique, informatique , Audio, Mining à base de données et autres zones.
Vous apprendrez à construire un projet d'apprentissage de la machine réussi. Si vous aspirez à être un leader technique de l'AI et savez comment définir la direction du travail de votre équipe, ce cours vous montrera comment.
Une grande partie de ce contenu n'a jamais été appris ailleurs, et est tiré de mon Expérience de la construction et de l'expédition de nombreux produits d'apprentissage profonds. Ce cours dispose également de deux "simulateurs de vol" qui vous permettent de pratiquer la prise de décision en tant que chef de projet d'apprentissage de la machine. Cela fournit une "expérience de l'industrie" que vous ne serez peut-être pas autrement obtenez seulement après des années d'expérience de travail ML.
Contenu
01 et 02: Introduction, Analyse de régression et descente de gradient
03 : Algèbre linéaire -
06: Régression logistique
07: Régularisation
08: Réseaux de neurones - Représentation
09: Réseaux de neurones - Apprentissage
10: Conseil pour appliquer des techniques d'apprentissage de machine
11: Conception du système d'apprentissage de la machine
12: Machines de vecteur de soutien
13: Clustering
14: Réduction de la dimensionnalité
15: Détection d'anomalie
16: Systèmes de recommandation
17: Apprentissage de la machine à grande échelle
18: Exemple d'application - Photo OCR
19: Résumé du cours
Vous allez: - Comprendre comment diagnostiquer les erreurs dans Un système d'apprentissage de la machine et
- être capable de hiérarchiser les instructions les plus prometteuses pour réduire les erreurs de
- Comprendre le complexe ML SE TTINGS, tels que des ensembles d'entraînement / de test incompatibles et de la comparaison de la performance de niveau humain
- savoir appliquer l'apprentissage de bout en bout, l'apprentissage de transfert et l'apprentissage multi-tâches
9Apps 4.9
