Об этом курсе: Машинное обучение - это наука о том, чтобы получить работу компьютеров, не будучи явным запрограммированным. В последнее десятилетие машинное обучение дало нам автонарушение автомобилей, практическое распознавание речи, эффективный веб-поиск и значительное улучшение понимания человеческого генома. Машинное обучение сегодня настолько распространено, что вы, вероятно, используете его десятки раз в день, не зная его. Многие исследователи также думают, что это лучший способ добиться прогресса в отношении уровня человека AI. В этом классе вы узнаете о наиболее эффективных техниках машинного обучения и получаете практику, реализующую их и заставляя их работать для себя. Что еще более важно, вы узнаете о не только теоретических недостатках обучения, но также получают практические ноу-хау, которые необходимо быстро и мощно применить эти методы для новых проблем. Наконец, вы узнаете о некоторых из лучших практик Силиконовой долины в инновациях, поскольку он относится к машинным обучению и AI.
Этот курс обеспечивает широкое введение в изучение машины, хранилища и статистического распознавания шаблонов. Темы включают в себя: (i) Контролировать обучение (параметрические / непараметрические алгоритмы, поддерживающие векторные машины, ядра, нейронные сети). (ii) неповторимое обучение (кластеризация, уменьшение размерности, рекомендует системы, глубокое обучение). (iii) лучшие практики в машинном обучении (теория предвзятости / дисперсии; процесс инновации в машинном обучении и AI). Курс также будет рисовать из многочисленных тематических исследований и приложений, чтобы вы также узнали, как применить алгоритмы обучения для создания смарт-роботов (восприятие, контроль), понимание текста (веб-поиск, анти-спам), компьютерное зрение, медицинская информатика , Аудио, добыча базы данных и другие районы.
Вы узнаете, как построить успешный проект машинного обучения. Если вы стремитесь быть техническим лидером в AI, и знаете, как установить направление для работы вашей команды, этот курс покажет вам, как.
Большая часть этого контента никогда не преподавала в другом месте, и набирается из моих Опыт строительства и доставки много глубоких продуктов обучения. Этот курс также имеет два «симуляторам полета», которые позволяют вам практиковать принятие решений как лидер проекта машинного обучения. Это обеспечивает «отраслевой опыт», который вы могли бы в противном случае получить только после нескольких лет опыта работы ML.
Содержание
01 и 02: Введение, регрессионный анализ и градиентный спуск
03 : Линейная алгебра - обзор
04: линейная регрессия с несколькими переменными
05: октава
06: логистическая регрессия
07: регуляризация
08: Neural Networks - Представительство
09: нейронные сети - обучение
10: Советы по применению техники машинного обучения
11: Дизайн системы обучения машины
12: Поддержка векторных машин
13: кластеризация
14: Сокращение размеров
15: Обнаружение аномалий
16: Рекомендуемые системы
17: Обучение крупномасштабной машины
18: Пример приложения - Photo OCR
19: Курс Сводка
- Понять, как диагностировать ошибки в Система машинного обучения и
- быть в состоянии приоритетировать наиболее перспективные направления для уменьшения ошибки
- понять комплекс ML SE SE Ttings, такие как несоответствующие тренировочные / тестовые наборы, и сравнение и / или превосходные возможности на уровне человека
- знать, как применить конечное обучение, обучение для передачи и мульти-задачи
9Apps 4.9
