Machine Learning

설명 Machine Learning

이 과정에 대해서 : 기계 학습은 명시 적으로 프로그래밍되지 않고 컴퓨터를 작동시키는 과학입니다. 지난 10 년 동안 기계 학습은 우리에게 자기 주행 자동차, 실제 음성 인식, 효과적인 웹 검색 및 인간 게놈에 대한 대폭 향상된 이해를주었습니다. 기계 학습은 오늘날 당신이 아마도 그것을 모른 채 하루에 수십 번 사용할 것입니다. 많은 연구원들은 또한 인간 수준의 AI에 대한 진전을하는 가장 좋은 방법이라고 생각합니다. 이 수업에서는 가장 효과적인 기계 학습 기술에 대해 배우고 그 (것)들을 구현하고 자신을 위해 일할 연습을 얻게 될 것입니다. 더 중요한 것은 학습의 이론적 인 underpinnings뿐만 아니라 새로운 문제에 이러한 기술을 신속하고 강력하게 적용하는 데 필요한 실용적인 노하우를 얻을 수 있습니다. 마지막으로, 기계 학습 및 인공 지능과 관련하여 실리콘 밸리의 모범 사례에 대해 알아볼 것입니다. 주제에는 다음이 포함됩니다. (i) 감독 학습 (파라 메트릭 / 비 파라 메트릭 알고리즘, 지원 벡터 기계, 커널, 신경망). (ii) 감독되지 않은 학습 (클러스터링, 차원 감소, 추천 시스템, 깊은 학습). (iii) 기계 학습의 모범 사례 (바이어스 / 분산 이론, 기계 학습 및 AI의 혁신 프로세스). 이 과정은 또한 수많은 사례 연구 및 응용 프로그램에서도 그릴 수 있으므로 스마트 로봇 (지각, 제어), 텍스트 이해 (웹 검색, 안티 스팸), 컴퓨터 비전, 의료 정보학을 구축하는 학습 알고리즘을 적용하는 방법을 배우게됩니다. , 오디오, 데이터베이스 마이닝 및 기타 영역.
성공적인 기계 학습 프로젝트를 구축하는 방법을 배우게됩니다. AI의 기술 리더가되고 팀워크의 방향을 설정하는 방법을 알고있는 경우이 과정은 어떻게 표시됩니다.
이 콘텐츠의 대부분은 다른 곳에서 가르치지 않았으며, 내에서 그려지지 않았습니다. 많은 깊은 학습 제품을 건설하고 운송하는 경험. 이 과정은 또한 의사 결정을 기계 학습 프로젝트 리더로 연습 할 수있는 2 개의 "비행 시뮬레이터"가 있습니다. 이것은 "업계 경험"을 제공합니다. ML 업무 경험의 수년간만을 얻을 수도 있습니다.
01 및 02 : 소개, 회귀 분석 및 그라디언트 하강
03 : 선형 대수학 - 검토
04 : 여러 변수로 선형 회귀 촬영
05 : 옥타브
06 : 물류 회귀
07 : 정규화
BR> 08 : 신경망 - 표현
09 : 신경망 - 학습
10 : 기계 학습 기술 적용에 대한 조언
11 : 기계 학습 시스템 디자인
BR> 12 : 지원 벡터 기계
13 : 클러스터링
14 : 차원 감소
15 : 이상 탐지기
BR> 17 : 대규모 기계 학습
18 : 응용 프로그램 예제 - 사진 OCR
19 : 코스 요약
기계 학습 시스템 및
- 오류를 줄이기위한 가장 유망한 방향의 우선 순위를 지정할 수 있습니다 - 복합 ML SE 이해 일치하지 않는 훈련 / 테스트 세트와 같은 ttings 및 인간 수준의 성과와 비교 및 ​​/ 또는 능가하는 것과 비교 및 ​​/ 또는 종단 간 학습, 전송 학습 및 멀티 태스크 학습 방법