AVC Machine Learning Certification - eLearning

- Kursintroduktion.

- Lärandemål

- Framväxten av artificiell intelligens

- Artificiell intelligens i praktiken

- Science fiction-filmer med konceptet AI

- Rekommendationssystem

- Relationen mellan artificiell intelligens, maskininlärning och datavetenskap - Del A

- Relationen mellan artificiell intelligens, maskininlärning och datavetenskap - Del B

- Definition och egenskaper hos maskininlärning

- Maskininlärningsmetoder

- Maskininlärningstekniker

- Tillämpningar av maskininlärning - Del A

- Tillämpningar av maskininlärning - Del B

- Viktiga slutsatser

- Lärandemål

- Datautforskning: Ladda filer

- Demo: Import och lagring av data

- Praktik: Utforskning av bildata I

- Tekniker för datautforskning: Del 1

- Tekniker för datautforskning: Del 2

- Seaborn

- Demo: Korrelationsanalys

- Praktik: Utforskning av bildata II

- Datahantering

- Saknade värden i en datamängd

- Extremvärden i en datamängd

- Demo: Hantering av avvikare och saknade värden

- Praktik: Datautforskning III

- Datahantering

- Funktionaliteter hos dataobjekt i Python: Del A

- Funktionaliteter hos dataobjekt i Python: Del B

- Olika typer av sammanfogningar

- Typomvandling

- Demo: Jämförelse av arbetstimmar

- Praktik: Datahantering

- Viktiga slutsatser

- Projekt vid lektionsslut: Lagring av testresultat

- Lärandemål

- Övervakat lärande

- Övervakat lärande - Verkligt scenario

- Förstå algoritmen

- Övervakad inlärningsflöde

- Typer av övervakat lärande – Del A

- Typer av övervakat lärande – Del B

- Typer av klassificeringsalgoritmer

- Typer av regressionsalgoritmer - Del A

- Användningsfall för regression

- Noggrannhetsmått

- Kostnadsfunktion

- Utvärdering av koefficienter

- Demo: Linjär regression

- Övning: Hem i Boston I

- Utmaningar i prognostisering

- Typer av regressionsalgoritmer - Del B

- Demo: Bigmart

- Övning: Boston Homes II

- Logistisk regression - Del A

- Logistisk regression - Del B

- Sigmoid sannolikhet

- Noggrannhetsmatris

- Demo: Överlevnad för passagerare på Titanic

- Övning: Irisarter

- Viktiga slutsatser

- Projekt vid lektionsslut: Kostnad för sjukförsäkring

- Lärandemål

- Funktionsurval

- Regression

- Faktoranalys

- Faktoranalysprocess

- Principalkomponentanalys (PCA)

- Första huvudkomponenten

- Egenvärden och PCA

- Demo: Funktionsreduktion

- Praktik: PCA-transformering

- Linjär diskriminantanalys

- Maximalt separerbar linje

- Hitta den maximalt separerbara linjen

- Demo: Märkt funktionsreduktion

- Praktik: LDA-omvandling

- Viktiga slutsatser

- Projekt vid lektionsslut: Förenkling av cancerbehandling

- Lärandemål

- Översikt av klassificering

- Klassificering: En övervakad inlärningsalgoritm

- Användningsfall

- Klassificeringsalgoritmer

- Beslutsträd: Klassificerare

- Beslutsträd: Exempel

- Beslutsträd: Bildning

- Att välja klassificeraren

- Överanpassning av beslutsträd

- Slumpmässig skogsklassificerare - Bagging och Bootstrapping

- Beslutsträd och slumpmässig skogsklassificerare

- Prestandamått: Förvirringsmatris

- Prestationsmått: Kostnadsmatris

- Demo: Hästöverlevnad

- Praktik: Riskanalys för lån

- Naiv Bayes-klassificerare

- Steg för att beräkna den posteriora sannolikheten: Del A

- Steg för att beräkna den posteriora sannolikheten: Del B

- Stödvektormaskiner: Linjär Separabilitet

- Stödvektormaskiner: Klassificeringsmarginal

- Linjär SVM: Matematisk representation

- Icke-linjära SVM

- Kärntricket

- Demo: Röstklassificering

- Övning: Klassificering av högskolor

- Viktiga slutsatser

- Projekt vid lektionens slut: Klassificera kinematisk data

- Lärandemål

- Översikt, exempel och tillämpningar av oövervakad inlärning

- Klusteranalys Hierarkisk klusteranalys

- Hierarkisk klusteranalys: Exempel

- Demo: Klusteranalys av djur

- Praktik: Kundsegmentering

- K-means-klustering

- Optimalt antal kluster

- Demo: Klusterbaserad incitamentsstruktur

- Praktik: Bildsegmentering

- Viktiga punkter

- Projekt vid lektionsslut: Klusteranalys av bilddata

- Lärandemål

- Översikt av tidsseriemodellering

- Typer av tidsseriemönster Del A

- Typer av tidsseriemönster Del B

- Vitt brus

- Stationaritet Borttagning av icke-stationaritet

- Demo: Flygpassagerare I

- Praktik: Ölproduktion I

- Tidsserie Modeller Del A

- Tidsserie Modeller Del B

- Tidsseriemodeller Del C

- Steg i tidsserieprognoser

- Demo: Flygpassagerare II

- Praktik: Ölproduktion II

- Viktiga slutsatser

- Projekt vid lektionsslut: Prognos för råvarupriser från IMF

- Lärandemål

- Översikt över metoder för ensembleinlärning Del A

- Metoder för ensembleinlärning Del B

- Funktionsprincip för AdaBoost

- AdaBoost-algoritmen och flödesschema

- Gradient Boosting

- XGBoost

- XGBoost-parametrar Del A

- XGBoost-parametrar Del B

- Demo: Pima-indianernas diabetes

- Övning: Linjärt separerbara arter

- Modellurval

- Vanliga uppdelningsstrategier

- Demo: Korsvalidering

- Praktik: Modellurval

- Viktiga punkter

- Projekt vid lektionens slut: Finjustering av klassificeringsmodell med XGBoost

- Lärandemål

- Introduktion

- Syften med rekommendationssystem

- Paradigm inom rekommendationssystem

- Kollaborativ filtrering del A

- Kollaborativ filtrering del B

- Associationsregelutvinning

- Associationsregelutvinning: Marknadskorgsanalys

- Generering av associationsregler: Apriori-algoritmen

- Exempel på Apriori-algoritmen: Del A

- Exempel på Apriori-algoritmen: Del B

- Apriori-algoritmen: Regelval

- Demo: Användar-Filmrekommendationsmodell

- Övning: Film-filmrekommendation

- Viktiga punkter

- Projekt vid lektionsslut: Rekommendation för bokuthyrning

- Lärandemål

- Översikt av textutvinning

- Betydelsen av textgruvdrift

- Tillämpningar av textgruvdrift

- Natural Language Toolkit-biblioteket

- Text Extraction and Preprocessing: Tokenization

- Text Extraction and Preprocessing: N-grams

- Text Extraction and Preprocessing: Stop Word Removal

- Text Extraction and Preprocessing: Stemming

- Text Extraction and Preprocessing: Lemmatization

- Text Extraction and Preprocessing: POS Tagging

- Text Extraction and Preprocessing: Named Entity Recognition

- NLP Process Workflow

- Demo: Processing Brown Corpus

- Practice: Wiki Corpus

- Structuring Sentences: Syntax Rendering Syntax Trees

- Structuring Sentences: Chunking and Chunk Parsing

- NP and VP Chunk and Parser

- Structuring Sentences: Chinking Context-Free

- Grammar (CFG) Demo: Twitter Sentiments

- Practice: Airline Sentiment

- Key Takeaways

- Lesson-end Project: FIFA World Cup

Design an algorithm that will tell the fare to be charged for a passenger. Uber wants to improve the accuracy of its fare prediction model. Help Uber by choosing the best data and AI technologies for building its next-generation model.

Reduce the time a Mercedes-Benz spends on the test bench. Mercedes-Benz wants to shorten the time models spend on its test bench, thus moving it to the marketing phase sooner. Build and optimize a machine learning algorithm to solve this problem.

Design an algorithm to accurately predict access privileges for Amazon employees. Use the data of Amazon employees and their access permissions to build a model that automatically decides access privileges as employees enter and leave roles within Amazon.

Identify the level of income qualification needed for families in Latin America. The Inter-American Development Bank wants to qualify people for an aid program. Help the bank to build and improve the accuracy of the data set using a random forest classifier.

The exam is done entirely online. You have 3 exam attempts. It is necessary to book the exam attempt more than 48 hours in advance.

- Multiple Choice

- 90 questions per exam

- One mark is awarded for every correct answer

- No negative marks for wrong answers

- 120 minutes duration

- Proctored online exam