Machine Learning

คำอธิบายของ Machine Learning

เกี่ยวกับหลักสูตรนี้: การเรียนรู้ของเครื่องเป็นศาสตร์ของการทำให้คอมพิวเตอร์ดำเนินการโดยไม่ต้องตั้งโปรแกรมอย่างชัดเจน ในทศวรรษที่ผ่านมาการเรียนรู้ของเครื่องได้ให้รถยนต์ขับรถด้วยตนเองการรู้จำเสียงในทางปฏิบัติการค้นหาเว็บที่มีประสิทธิภาพและความเข้าใจที่ดีขึ้นอย่างมากมายของจีโนมมนุษย์ การเรียนรู้ของเครื่องเป็นไปอย่างแพร่หลายในวันนี้ที่คุณอาจใช้มันหลายสิบครั้งต่อวันโดยไม่รู้ตัว นักวิจัยหลายคนคิดว่ามันเป็นวิธีที่ดีที่สุดในการก้าวหน้าต่อ AI ระดับมนุษย์ ในชั้นเรียนนี้คุณจะได้เรียนรู้เกี่ยวกับเทคนิคการเรียนรู้ของเครื่องที่มีประสิทธิภาพมากที่สุดและได้รับการฝึกฝนการใช้งานและให้พวกเขาทำงานให้กับตัวเอง ที่สำคัญกว่านั้นคุณจะได้เรียนรู้เกี่ยวกับการเรียนรู้ในเชิงทฤษฎีของการเรียนรู้ แต่ยังได้รับความรู้เชิงปฏิบัติที่จำเป็นต่อการใช้เทคนิคเหล่านี้อย่างรวดเร็วและมีประสิทธิภาพในการแก้ไขปัญหาใหม่ ในที่สุดคุณจะได้เรียนรู้เกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดของ Silicon Valley ในนวัตกรรมเนื่องจากเกี่ยวข้องกับการเรียนรู้ของเครื่องและ AI
หลักสูตรนี้ให้การแนะนำในวงกว้างเกี่ยวกับการเรียนรู้เครื่องดาต้าและการจดจำรูปแบบสถิติ หัวข้อรวมถึง: (i) การเรียนรู้ภายใต้การดูแล (อัลกอริทึมแบบพารามิเตอร์ / ไม่ใช่พารามิเตอร์, รองรับเครื่องเวกเตอร์, เมล็ด, เครือข่ายประสาท) (ii) การเรียนรู้ที่ไม่ได้รับการดูแล (การทำคลัสเตอร์การลดมิติ, ระบบผู้แนะนำ, การเรียนรู้แบบลึก) (iii) แนวทางปฏิบัติที่ดีที่สุดในการเรียนรู้เครื่อง (ทฤษฎีอคติ / ความแปรปรวน; กระบวนการนวัตกรรมในการเรียนรู้เครื่องและ AI) หลักสูตรนี้จะดึงมาจากกรณีศึกษาและแอปพลิเคชันจำนวนมากเพื่อให้คุณได้เรียนรู้วิธีการใช้อัลกอริทึมการเรียนรู้เพื่อสร้างหุ่นยนต์อัจฉริยะ (การรับรู้การควบคุม), ความเข้าใจข้อความ (การค้นหาเว็บ, ต่อต้านสแปม), วิสัยทัศน์คอมพิวเตอร์, สารสนเทศทางการแพทย์ , เสียง, การขุดฐานข้อมูลและพื้นที่อื่น ๆ
คุณจะได้เรียนรู้วิธีการสร้างโครงการเรียนรู้เครื่องที่ประสบความสำเร็จ หากคุณปรารถนาที่จะเป็นผู้นำด้านเทคนิคใน AI และรู้วิธีกำหนดทิศทางสำหรับงานของทีมของคุณหลักสูตรนี้จะแสดงให้คุณเห็นว่าเนื้อหานี้ไม่เคยได้รับการสอนที่อื่นและดึงมาจากฉัน ประสบการณ์การสร้างและจัดส่งสินค้าการเรียนรู้ลึกจำนวนมาก หลักสูตรนี้ยังมี "เครื่องจำลองการบิน" สองตัวที่ให้คุณฝึกการตัดสินใจเป็นผู้นำโครงการการเรียนรู้เครื่องจักร สิ่งนี้ให้ "ประสบการณ์ในอุตสาหกรรม" ที่คุณอาจได้รับหลังจากประสบการณ์การทำงานของ ML ต่อปี
สารบัญ
01 และ 02: บทนำการวิเคราะห์การถดถอยและการไล่ระดับไล่ระดับสี
03 : Linear algebra - รีวิว
04: การถดถอยเชิงเส้นด้วยหลายตัวแปร
05: อ็อกซ์
06: การถดถอยโลจิสติกส์
07: การทำให้เป็นปกติ
08: Neural Networks - การเป็นตัวแทนของ
09: Neural Networks - การเรียนรู้
10: คำแนะนำสำหรับใช้เทคนิคการเรียนรู้ของเครื่อง
11: การออกแบบระบบการเรียนรู้ของเครื่อง
BR> 12: รองรับเวกเตอร์เครื่องจักร
13: การจัดกลุ่ม
14: การลดขนาดมิติ
15: การตรวจจับความผิดปกติของ
16: ผู้แนะนำระบบ
Br> 17: การเรียนรู้เครื่องขนาดใหญ่
18: ตัวอย่างแอปพลิเคชัน - ภาพถ่าย OCR
19: สรุปหลักสูตร
คุณจะ:
เข้าใจวิธีวินิจฉัยข้อผิดพลาดใน ระบบการเรียนรู้เครื่องและ
- สามารถจัดลำดับความสำคัญในทิศทางที่มีแนวโน้มมากที่สุดสำหรับการลดข้อผิดพลาด
- เข้าใจคอมเพล็กซ์ ML SE TTINGS เช่นชุดฝึกอบรม / การทดสอบที่ไม่ตรงกันและเปรียบเทียบกับและ / หรือเหนือกว่าประสิทธิภาพระดับมนุษย์
- รู้วิธีการใช้การเรียนรู้แบบครบวงจรการเรียนรู้การเรียนรู้และการเรียนรู้หลายภารกิจ