Certifieringskurs i maskininlärning med Python
4.900,00 SEK
- 40 hours
Denna kurs i maskininlärning med Python ger en ingående översikt över ML-ämnen, inklusive arbete med realtidsdata, utveckling av övervakade och oövervakade inlärningsalgoritmer, regression, klassificering och tidsseriemodellering. I denna certifieringsträning för maskininlärning kommer du att lära dig att använda Python för att göra förutsägelser baserade på data. Efter avslutad kurs i maskininlärning med Python kommer du att få ett intyg som bekräftar dina färdigheter som expert på maskininlärning.
Översikt
Lås upp datans potential med maskininlärning med Python-kurs
- Uppnå karriärframgång med vår omfattande kurs i maskininlärning
- Lär dig från över 40 timmars tillämpat lärande och interaktiva laborationer
- Genomför 4 praktiska projekt för att stärka din förståelse
- Få stöd från mentorer under din inlärningsprocess
- Bemästra centrala ML-koncept för certifiering
- Skaffa de färdigheter som krävs för att bli en framgångsrik maskininlärningsingenjör
Specialerbjudande:
Utöver denna praktiska e-lärningskurs erbjuder vi dig fri tillgång till våra onlineklassrumssessioner. Du har 90 dagar på dig att boka kostnadsfria onlineträningssessioner, som alltid äger rum vid flexibla tider. Utöver din e-lärande och om du önskar, kommer du att ha möjlighet att interagera med tränaren och andra deltagare. Dessa onlineklassrumssessioner spelas också in så att du kan spara dem.
Kompetenser:
- Övervakat och oövervakat lärande
- Linjär och logistisk regression
- KMeans-klustering
- Beslutsträd
- Boosting- och Bagging-tekniker
- Tidsseriemodellering
- SVM med kärnor
- Naiv Bayes
- Slumpmässiga skogsklassificerare
- Grundläggande kunskaper i djupinlärning
Nyckelfunktioner
Språk
Kursen och materialet är på engelska
35+ timmar av blandat lärande
32 timmar live onlineundervisning och 6 timmar eLearning i egen takt
Tillgång
Livslång tillgång till självstudiematerial
Flexi Pass aktiverat
möjligheten att boka om din online live-klassgrupp inom de första 90 dagarna av tillgång.
Interaktivt lärande med Google Colabs
Live, online klassrumsutbildning av toppinstruktörer och utövare
Projekt
Industribaserade erfarenhetsinlärningsprojekt
Praktiska färdigheter
och praktisk erfarenhet av att tillämpa maskininlärning för att hantera verkliga datautmaningar.
Bonus Gratis kurser
Repetition i matematik & grundläggande statistik för dataanalys
Kurstidslinje
Matematikrepetition
Gratis kurs 1
- Sannolikhet och statistik
- Koordinatgeometri
- Linjär algebra
- Egenvärden, egenvektorer och egenvärdesuppdelning
- Introduktion till analys
Statistik väsentlig för dataanalys
Gratis kurs 2
- Introduktion till statistik
- Förstå datan
- Beskrivande statistik
- Datavisualisering
- Sannolikhet
- Sannolikhetsfördelningar
- Urval och urvalsmetoder
- Inferentiell statistik
- Tillämpning av inferentiell statistik
- Relation mellan variabler
- Tillämpning av statistik i näringslivet
- Assisterad träning
Introduktion
Lektion 01
Börja detta program genom att förstå kursens avsnitt och de ämnen som behandlas. Detta kommer att hjälpa dig att vara förberedd inför de kommande sessionerna.
Introduktion till maskininlärning
Lektion 02
Kursen täcker de grundläggande koncepten inom maskininlärning, inklusive dess definition och olika typer. Den ger även en djupare inblick i maskininlärningsprocessen, MLOps och AutoML, och ger insikter i hur man distribuerar maskininlärningsmodeller i stor skala. Dessutom introduceras studenterna till de huvudsakliga Python-paketen för maskininlärningsuppgifter, vilket möjliggör för dem att använda Pythons robusta ekosystem för att utveckla lösningar inom maskininlärning.
Ämnen:
- Vad är maskininlärning?
- Olika typer av maskininlärning
- Maskininlärningspipeline, MLOps och AutoML
- Introduktion till Python-paket för maskininlärning
Övervakat lärande
Lektion 03
Avsnittet om övervakat lärande utforskar dess praktiska tillämpningar inom olika områden och åtföljs av diskussioner om dess relevans och betydelse i verkliga situationer. Studenter deltar i praktiska aktiviteter för att förbereda och forma data för uppgifter inom övervakat lärande, följt av diskussioner om överanpassning och underanpassning. Dessutom erbjuds praktiska övningar för att upptäcka och undvika dessa problem, samt insikter i regulariseringstekniker för att optimera modellprestanda och minska överanpassning.
Ämnen:
- Övervakat lärande
- Tillämpningar av övervakat lärande
- Överanpassning och underanpassning
- Regularisering
Regression och dess tillämpning
Lektion 04
Detta avsnitt utforskar grunderna i regressionsanalys, inklusive definitionen och olika typer, såsom linjär, logistisk, polynomisk, ridge och lasso-regression. Diskussioner belyser de kritiska antagandena som ligger till grund för linjär regression och praktiska övningar ger praktisk erfarenhet av modellering med linjär regression. Deltagarna kommer också att engagera sig i datautforskning med tekniker som SMOTE-översampling och förbereda, bygga och utvärdera regressionsmodeller för att bli skickliga på regressionsanalys.
Ämnen:
- Vad är regression?
- Typer av regression
- Linjär regression
- Kritiska antaganden för linjär regression
- Logistisk regression
- Översampling med SMOTE
- Polynomregression
- Ridge-regression
- Lasso-regression
Klassificering och tillämpningar
Lektion 05
Detta avsnitt behandlar klassificeringsalgoritmer och deras definitioner, typer och tillämpningar, samt valet av prestandaparametrar. Deltagarna fördjupar sig i olika klassificeringstekniker, såsom Naiv Bayes, Stokastisk Gradientnedstigning, K-närmaste grannar, Beslutsträd, Slumpmässig skog, Boruta och Stödvektormaskiner, genom diskussioner och guidade övningar. Viktiga begrepp som Cohens Kappa diskuteras också, följt av kunskapskontroller för att förstärka förståelsen.
Ämnen:
- Vad är klassificeringsalgoritmer?
- Olika typer av klassificering
- Typer av applikationer och val av prestandaparametrar
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-närmaste populationer
- Beslutsträd Slumpmässig Skog
- Boruta
- Stödvektormaskin
- Cohens kappa
Oövervakade algoritmer
Lektion 06
Detta avsnitt introducerar studenter till oövervakade algoritmer, täcker deras typer, tillämpningar och prestandaparametrar. Deltagarna engagerar sig i praktiska aktiviteter såsom att visualisera resultat och tillämpa tekniker som hierarkisk klusteranalys, K-means klusteranalys och K-medoider algoritmen. Dessutom utforskar de metoder för avvikelsedetektering och tekniker för dimensionsreduktion såsom huvudkomponentsanalys (PCA), singulärvärdesuppdelning och oberoende komponentanalys. Praktiska tillämpningar av dessa algoritmer demonstreras genom guidade övningar, vilket förbättrar studenternas förståelse för koncepten inom oövervakat lärande.
Ämnen som behandlas:
- Oövervakade algoritmer
- Olika typer av oövervakade algoritmer
- När ska man använda oövervakade algoritmer?
- Parametrar för prestanda
- Typer av klusterindelning
- K-means-klustering
- K-Medoids-algoritmen
- Utstickare
- Identifiering av avvikelser
- Huvudkomponentsanalys
- Korrespondensanalys och multipel korrespondensanalys (MCA)
- Singulärvärdesuppdelning
- Oberoende komponentanalys
- Balanserad iterativ reduktion och klusterbildning med hjälp av hierarkier (BIRCH)
Ensembleinlärning
Lektion 07
Det här avsnittet behandlar klassificeringsalgoritmer och deras definitioner, typer och tillämpningar, samt valet av prestandaparametrar. Deltagarna fördjupar sig i olika klassificeringstekniker, såsom Naive Bayes, Stokastisk Gradientnedstigning, K-Närmaste Grannar, Beslutsträd, Slumpmässig Skog, Boruta och Stödvektormaskiner, genom diskussioner och vägledande övningar. Viktiga begrepp som Cohens Kappa diskuteras också, följt av kunskapskontroller för att förstärka förståelsen.
Ämnen:
- Vad är klassificeringsalgoritmer?
- Olika typer av klassificering
- Typer av applikationer och val av prestandaparametrar
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-närmaste populationer
- Beslutsträd Slumpmässig Skog
- Boruta
- Stödvektormaskin
- Cohens kappa
Rekommendationssystem
Lektion 08
Denna modul ger en omfattande översikt över rekommendationsmotorer och utforskar deras underliggande principer och mekanismer. Deltagarna fördjupar sig i olika användningsfall och exempel på rekommendationssystem och får insikt i deras design och implementering. Genom praktiska övningar tillämpar deltagarna tekniker för kollaborativ filtrering, inklusive minnesbaserad modellering, objektbaserad och användarbaserad filtrering, samt modellbaserad kollaborativ filtrering. Dessutom utforskar de dimensionsreduktion, matrisfaktoriseringstekniker och noggrannhetsmatriser inom maskininlärning för att utvärdera och optimera prestanda hos rekommendationsmotorer.
Ämnen:
- Hur fungerar rekommendationsmaskiner?
- Användningsområden för rekommendationsmaskiner
- Exempel på rekommendationssystem och hur de är utformade
- Att använda PyTorch för att bygga en rekommendationsmotor.
Industriprojekt
I slutet av kursen kommer du att göra två projekt. Du kommer att tillämpa allt du har lärt dig och få praktisk erfarenhet med dina nya kunskaper.
- Projekt 1: Analys av personalomsättning - Skapa ML-program för att förutsäga personalomsättning, inklusive kontroller av datakvalitet, EDA, klusteranalys osv., samt föreslå strategier för att behålla anställda baserade på sannolikhetspoäng.
- Projekt 2: Segmentering av låtar - Utför explorativ dataanalys och klusteranalys för att skapa kohorter av låtar.
Lärandemål
Denna kurs i maskininlärning med Python kommer att göra det möjligt för dig att:
Typer av ML
Utforska de olika typerna av maskininlärning och deras respektive egenskaper.
Nyckeloperation
Analysera arbetsflödet för maskininlärning och förstå de viktigaste operationerna som ingår i maskininlärning (MLOps).
Övervakat lärande
Att lära sig om övervakat lärande och dess breda tillämpningsområden.
Passande
Förstå koncepten överanpassning och underanpassning och använd tekniker för att upptäcka och förhindra dem.
Regression
Analysera olika regressionsmodeller och deras lämplighet för olika scenarier. Identifiera linjäritet mellan variabler och skapa korrelationskartor.
Algoritmer
Lista olika typer av klassificeringsalgoritmer och förstå deras specifika tillämpningar.
Oövervakad
Bemästra olika typer av oövervakade inlärningsmetoder och veta när man ska använda dem. Få en djup förståelse för olika klustermetoder inom oövervakad inlärning.
Modellering
Utforska olika ensemblemodelleringstekniker, såsom bagging, boosting och stacking.
Jämför
Utvärdera och jämför olika ramverk för maskininlärning, inklusive TensorFlow och Keras.
PyTorch
Bygg en rekommendationsmotor med PyTorch
Visualisering
Skapa visualiseringar med Matplotlib, Seaborn, Plotly och Bokeh.
Vem bör anmäla sig till detta program?
En framstående dataingenjör bygger och underhåller datastrukturer och arkitekturer för datainsamling, bearbetning och distribution för storskaliga, dataintensiva applikationer. Det är en lovande karriär för både nya och erfarna yrkesverksamma med en passion för data, inklusive:
Dataanalytiker
Maskininlärningsingenjör
Ingenjör inom artificiell intelligens
Utvecklare inom affärsintelligens
Mjukvaruingenjör
AI-forskare
Språkteknolog
AI-produktchef
Behörighet
Behörighet
Kursen för certifiering i maskininlärning med Python passar bra för deltagare på mellannivå, inklusive chefer inom analys, affärsanalytiker, informationsarkitekter, utvecklare som vill bli maskininlärningsingenjörer eller datavetare, samt nyexaminerade som söker en karriär inom datavetenskap och maskininlärning.
Förkunskapskrav
Studerande behöver ha en kandidatexamen eller en gymnasieexamen. En förståelse för grundläggande statistik och matematik på högskolenivå. Bekantskap med programmering i Python är också fördelaktigt. Innan man påbörjar utbildningen för maskininlärning Python-certifiering bör man förstå grundläggande kurser, inklusive Python för dataanalys, uppfräschning av matematik och grundläggande statistik för dataanalys.
Vanliga frågor
Behöver du en företagslösning eller integration av LMS?
Hittade du inte kursen eller programmet som skulle passa för ditt företag? Behöver du LMS-integration? Skriv till oss! Vi löser det!