Bu kurs hakkında: Makine öğrenimi, bilgisayarların açıkça programlanmadan hareket etmesini sağlama bilimidir. Son on yılda, makine öğrenmesi bize kendi kendine sürüş otomobilleri, pratik konuşma tanıma, etkili web araması ve insan genomunun büyük gelişmiş bir anlayışını vermiştir. Makine öğrenmesi bugün bu kadar yaygındır ki, muhtemelen bilmeden günde onlarca kez kullanabilirsiniz. Birçok araştırmacı ayrıca, insan düzeyinde AI'ye ilerleme kaydetmenin en iyi yolu olduğunu düşünüyor. Bu sınıfta, en etkili makine öğrenme tekniklerini öğreneceksiniz ve onları uygulamak ve kendiniz için çalışmalarını sağlamak için pratik yapın. Daha da önemlisi, sadece öğrenmenin teorik temellerini değil, aynı zamanda bu teknikleri hızlı ve güçlü bir şekilde uygulamak için gereken pratik bilgi elde edersiniz. Son olarak, makine öğrenimi ve AI'sine ilişkin olarak inovasyondaki en iyi uygulamalardan bazılarını öğreneceksiniz.
Bu ders, makine öğrenimine, vericinin ve istatistiksel desen tanıma için geniş bir giriş sağlar. Konular şunlardır: (i) Denetimli öğrenme (parametrik / parametrik olmayan algoritmalar, vektör makineleri, çekirdekleri, sinir ağları). (ii) denetimsiz öğrenme (kümelenme, boyutsallık azaltma, tavsiye sistemleri, derin öğrenme). (iii) Makine öğrenimindeki en iyi uygulamalar (önyargı / varyans teorisi; Makine öğrenmesi ve AI'deki yenilik süreci). Kurs ayrıca çok sayıda vaka çalışması ve uygulamasından da beraberindedir, böylece akıllı robotlar (algı, kontrol), metin anlayışı (web arama, anti-spam), bilgisayar vizyonu, tıbbi bilgiler oluşturma öğrenme algoritmalarının nasıl uygulanacağını da öğreneceksiniz. , ses, veritabanı madenciliği ve diğer alanlar.
Başarılı bir makine öğrenme projesi oluşturmayı öğreneceksiniz. AI'de teknik bir lider olmayı ve ekibinizin çalışmalarına nasıl yönlendirileceğini biliyorsanız, bu ders size nasıl gösterecektir.
Bu içeriğin çoğu başka bir yerde hiç öğretilmedi ve benden çekildi. Birçok derin öğrenme ürününü oluşturmak ve nakliye etmek. Bu dersin ayrıca bir makine öğrenme proje lideri olarak karar vermenizi sağlayan iki "uçuş simülatörü" var. Bu, "Endüstri Deneyimi" sağlar, aksi takdirde yalnızca yıllarca ml iş deneyiminden sonra.
İçerikler
01 ve 02: Giriş, Regresyon Analizi ve Degrade İniş
03 : Lineer Cebir -
04: Çoklu Değişkenli Doğrusal Regresyon
05: Octave
06: Lojistik Regresyon
07: Düzenleme
08: Sinir Ağları - Temsilcilik
09: Sinir Ağları - Öğrenme
Makine Öğrenme Teknikleri Uygulama Tavsiyesi
11: Makine Öğrenme Sistemi Tasarımı
12: Destek Vektör Makineleri
13: Kümeleme
14: Boyutlaşma Azaltma
15: Anomali Tespiti
16: Tavsiye Sistemleri
17: Büyük ölçekli makine öğrenme
18: Uygulama örneği - Fotoğraf OCCR
19: Ders Özeti
- Hatalarının nasıl teşhis edileceğini anlama Bir makine öğrenme sistemi ve
- hatayı azaltmak için en umut verici talimatlara öncelik verebilme - karmaşık ml se anlamak Uyumsuz eğitim / test setleri gibi ttings ve insan seviyesi performansını karşılaştırarak / veya aşan - sondan uçtan uca öğrenmeyi, transfer öğrenmeyi ve çok görevli öğrenmeyi nasıl uygulanacağını biliyor
9Apps 4.9
