Over deze cursus: Machine-leren is de wetenschap om computers te krijgen om te handelen zonder expliciet geprogrammeerd te worden. In het afgelopen decennium heeft het leren van de machine ons zelfrijdende auto's, praktische spraakherkenning, effectief webzoekopdracht en een enorm verbeterd inzicht in het menselijk genoom. Machine-leren is vandaag zo doordringend dat u het waarschijnlijk tientallen keren per dag gebruikt zonder het te weten. Veel onderzoekers denken ook dat het de beste manier is om vooruitgang te boeken in de richting van Human-Level AI. In deze klasse leert u over de meest effectieve technieken voor het leren van machine en het krijgen van de praktijk die ze implementeren en ervoor zorgen dat ze voor uzelf werken. Wat nog belangrijker is, u leert niet alleen de theoretische onderbouwingen van leren, maar verkrijgt ook de praktische knowhow die nodig is om deze technieken snel en krachtig toe te passen op nieuwe problemen. Eindelijk, zul je leren over enkele van de beste praktijken van Silicon Valley in innovatie, omdat het betrekking heeft op het leren van de machine en AI.
Deze cursus biedt een brede inleiding tot machinarbeider, datamining en statistische patroonherkenning. Onderwerpen zijn onder meer: (i) begeleiding van het leren (parametrische / niet-parametrische algoritmen, ondersteuning vectormachines, kernels, neurale netwerken). (ii) Ongewijzigd leren (clustering, dimensionaliteitsvermindering, recidender-systemen, diep leren). (iii) Beste praktijken in het leren van de machine (bias / variantietheorie; innovatieproces in machine-leren en AI). De cursus tekent ook vanuit talloze casestudies en -toepassingen, zodat u ook leert om leeralgoritmen aan te brengen voor het bouwen van slimme robots (perceptie, controle), tekstkennis (Web Zoeken, Anti-Spam), Computer Vision, Medical Informatics , audio-, databasebestrijding en andere gebieden.
U leert hoe u een succesvolle machine-leerproject kunt bouwen. Als u ernaar streven een technische leider in AI te zijn, en weet hoe u de richting kunt instellen voor het werk van uw team, zal deze cursus u laten zien hoe.
Veel van deze inhoud is nog nooit elders onderwezen en is uit mijn Ervaar gebouw en verzending veel diepe leerproducten. Deze cursus heeft ook twee "vluchtsimulators" waarmee u besluitvorming kunt beoefenen als projectleider voor machinaal leren. Dit biedt "Industry Experience" die je anders pas na jaren van ML Work Experience kunt krijgen.
Inhoud
01 en 02: Introductie, regressieanalyse en gradiëntafdekking
03 : Lineair Algebra - Review
04: Lineaire regressie met meerdere variabelen
05: Octave
06: Logistische regressie
07: regularisatie
08: Neurale netwerken - Vertegenwoordiging
09: Neurale netwerken - Leren
10: Advies voor het toepassen van Machine Learning Techniques
11: Machine Learning System Design
12: Ondersteuning Vector Machines
13: Clustering
14: Dimensionaliteitsvermindering
15: Anomaly Detectie
16: Recommend Systems
17: Grootschalig Machine Leren
18: Toepassingsvoorbeeld - Photo OCR
19: Cursus Summary
U Will:
- Begrijp om fouten in te dienen Een machine-leersysteem en
- kunnen prioriteren van de meest veelbelovende aanwijzingen voor het verminderen van fouten
- Begrijp complex ML SE Texttings, zoals niet-overeenkomende training / testsets, en het vergelijken met en / of overtreffen van de prestaties van het menselijk niveau - weet hoe u eind-to-end learning kunt aanbrengen, overdragende leren en multi-taak leren
9Apps 4.9
