Online cursus – gecertificeerd professioneel certificaat in IBM machine learning

Bereid jezelf voor op een carrière in machine learning. Verwerf de vereiste vaardigheden en praktische ervaring om in minder dan 3 maanden klaar te zijn voor werk.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

Gemiddeld niveau

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Hulpmiddelen: Jupyter Notebooks en Watson Studio
  • Bibliotheken: Pandas, NumPy, Matplotlib, Seaborn, ipython-sql, Scikit-learn, ScipPy, Keras en TensorFlow.
  • Algoritmen: begeleid en onbewaakt leren, regressie, classificatie, clustering, lineaire regressie, ridge regressie, machine learning (ML) algoritmen, beslissingsboom, tientallen leren, overlevingsanalyse, K-means clustering, DBSCAN en reductie van datadimensionaliteit.

What you will learn in the course

Courses for which the course is suitable

  • Machine learning-ingenieur
  • NLP-onderzoeker
  • Gegevensingenieur
  • Ontwikkelaar van kunstmatige intelligentie
  • data-analist
  • data wetenschapper
  • Machine learning-expert
  • Ontwikkelaar van algoritmen
  • Projectmanager op het gebied van computationeel leren
  • Technologisch adviseur op het gebied van kunstmatige intelligentie
## Professioneel certificaat – een serie van 6 cursussen Bereid je voor op een carrière op het gebied van computationeel leren. In dit programma leer je noodzakelijke vaardigheden zoals kunstmatige intelligentie en computationeel leren om **in minder dan 3 maanden klaar te zijn voor werk.** Computationeel leren is het gebruik en de ontwikkeling van computersystemen die zichzelf kunnen leren en aanpassen met behulp van algoritmen en statistische modellen om gegevens te analyseren en er conclusies uit te trekken. **Computationeel leren is een tak van kunstmatige intelligentie (AI)** waarbij computers worden geleerd menselijke intelligentie te imiteren en complexe taken op te lossen. Posities die beschikbaar zijn voor mensen met kennis van machine learning zijn onder meer machine learning-ingenieur, NLP-onderzoeker en data-ingenieur. Dit programma omvat cursussen die een solide theoretisch inzicht en uitgebreide praktijk bieden in de belangrijkste algoritmen, toepassingen en of deze leiden tot computationeel leren. Onderwerpen die aan bod komen zijn onder meer **begeleid en onbewaakt leren, regressie, classificatie, clustering, deep learning en versterkend leren.** Je leert **je eigen projecten coderen** met behulp van enkele van de meest relevante open source-frameworks en bibliotheken, en pas toe wat je in verschillende cursussen hebt geleerd door een projectfinale te voltooien. Na voltooiing van de cursussen beschikt u over een **projectportfolio en professioneel certificaat** van IBM om uw expertise te demonstreren. U ontvangt ook een digitale IBM-badge en toegang tot loopbaanhulpmiddelen om u te helpen bij het zoeken naar een baan, inclusief voorbeeldgesprekken en ondersteuning bij cv’s. ### Hands-on leerproject Dit professionele certificaat benadrukt de ontwikkeling van de praktische vaardigheden die nodig zijn om vooruitgang te boeken in een computationele en diepgaande leercarrière. Alle cursussen omvatten een reeks praktische labs en eindprojecten waarmee u zich kunt concentreren op een specifiek project dat u interesseert. Tijdens dit professionele certificaat maakt u kennis met een verscheidenheid aan tools, bibliotheken, clouddiensten, datasystemen, algoritmen, taken en projecten die u praktische vaardigheden zullen verschaffen voor gebruik in banen op het gebied van computationeel leren. Deze vaardigheden omvatten: – **Tools:** Jupyter Notebooks en Watson Studio – **Bibliotheken:** Panda’s, NumPy, Matplotlib, Seaborn, ipython-sql, Scikit-learn, ScipPy, Keras en TensorFlow. – **Algoritmen:** Leren onder toezicht en zonder toezicht, regressie, classificatie, clustering, lineaire regressie, randregressie, machine learning (ML)-algoritmen, beslissingsboom, leren van tientallen, overlevingsanalyse, K-means clustering, DBSCAN en reductiegegevens afmetingen.

Details of the courses that make up the specialization

Verkennende data-analyse voor machine learning

Cursus 1 • 14 uur • 4.6

Cursusdetails

wat ga je leren

In deze cursus maak je kennis met machine learning en de inhoud van het professionele certificaat. Tijdens de cursus begrijpt u het belang van kwaliteitsdata. Je leert algemene technieken voor het verzamelen van gegevens, het opschonen ervan, het gebruik van feature engineering en het voorbereiden ervan voor de initiële analyse en het testen van hypothesen.

  • Verzamel gegevens uit verschillende bronnen: SQL, NoSQL-databases, API’s, cloud
  • Beschrijf en gebruik veelgebruikte technieken bij featureselectie en feature engineering
  • Behandel categorische en rangschikkingsattributen, evenals ontbrekende waarden
  • Gebruik een verscheidenheid aan technieken om abnormale waarden te identificeren en te verwerken
  • Leg uit waarom het wijzigen van de grootte belangrijk is en gebruik verschillende technieken voor het wijzigen van de grootte

Wie moet deze cursus volgen?

Deze cursus is bedoeld voor diegenen die geïnteresseerd zijn om datawetenschapper te worden en praktische ervaring willen opdoen met machine learning en kunstmatige intelligentie in zakelijke omgevingen.

Vaardigheden die je gaat verwerven

  • Categorie: clusteranalyse
  • Categorie: dimensionale reductie
  • Categorie: onbegeleid leren
  • Categorie: Hoofdcomponentenanalyse (PCA)
  • Categorie: K Betekent cluster

Begeleid machinaal leren: regressie

Cursus 2 • 20 uur • 4.7

Cursusdetails

wat ga je leren

In deze cursus maak je kennis met een van de belangrijkste typen modellen bij begeleid leren: regressie. Je leert hoe je regressiemodellen traint om continue uitkomsten te voorspellen en hoe je foutstatistieken kunt gebruiken om verschillende modellen te vergelijken.

  • Onderscheid de toepassingen en toepassingen van classificatie en regressie
  • lineaire regressiemodellen beschrijven en gebruiken
  • Gebruik regularisatieregressies: Ridge, LASSO en Elastic net

Wie moet deze cursus volgen?

Deze cursus is bedoeld voor diegenen die geïnteresseerd zijn om datawetenschapper te worden en praktische ervaring willen opdoen met regressietechnieken bij begeleid machinaal leren in zakelijke omgevingen.

Vaardigheden die je gaat verwerven

  • Categorie: onbegeleid leren
  • Categorie: Machine Learning (ML)-algoritmen
  • Categorie: begeleid leren
  • Categorie: Algoritmen voor classificatie
  • Categorie: beslisboom

Begeleid machinaal leren: classificatie

Cursus 3 • 24 uur • 4.8

Cursusdetails

wat ga je leren

In deze cursus maak je kennis met een van de belangrijkste typen van de familie van begeleide machine learning-modellen: classificatie. Je leert hoe je voorspellende modellen kunt trainen om categorische resultaten te classificeren.

  • Maak onderscheid tussen het gebruik en de toepassing van classificatie en ensembles van classificatie
  • logistische regressiemodellen beschrijven en gebruiken
  • Gebruik verschillende foutstatistieken om te vergelijken en kies het classificatiemodel dat het beste bij uw gegevens past

Wie moet deze cursus volgen?

Deze cursus is bedoeld voor diegenen die geïnteresseerd zijn om datawetenschapper te worden en praktische ervaring willen opdoen met begeleide machine learning-classificatietechnieken in zakelijke omgevingen.

Vaardigheden die je gaat verwerven

  • Categorie: kunstmatige neurale netwerken
  • Categorie: Data-analyse
  • Categorie: Python-programmering
  • Categorie: begeleid leren
  • Categorie: machinaal leren zonder toezicht

Machine learning zonder toezicht

Cursus 4 • 23 uur • 4.7

Cursusdetails

wat ga je leren

Deze cursus laat je kennismaken met een van de belangrijkste vormen van leren in machine learning: onbewaakt leren. Je leert hoe je inzichten kunt vinden uit datasets die geen doelvariabele of classifier hebben.

  • Leg uit welke soorten problemen geschikt zijn voor onbegeleide leerbenaderingen
  • Beschrijf en gebruik algemene algoritmen voor clustering en dimensionaliteitsreductie

Wie moet deze cursus volgen?

Deze cursus is bedoeld voor diegenen die geïnteresseerd zijn om datawetenschapper te worden en praktische ervaring willen opdoen met leertechnieken zonder toezicht in een zakelijke omgeving.

Vaardigheden die je gaat verwerven

  • Categorie: kunstmatige neurale netwerken
  • Categorie: Versterkend leren
  • Categorie: machinaal leren
  • Categorie: diep leren
  • Categorie: Keras

Diep leren en versterkt leren

Cursus 5 • 31 uur • 4.6

Cursusdetails

wat ga je leren

Deze cursus laat je kennismaken met twee van de meest gewilde specialisaties in machine learning: deep learning en versterkt leren.

  • Leg uit welke probleemaanbieders geschikt zijn voor onbegeleide leerbenaderingen
  • Specificeer en gebruik gemeenschappelijke algoritmen voor clustering en dimensionaliteitsreductie

Wie moet deze cursus volgen?

Deze cursus is bedoeld voor diegenen die geïnteresseerd zijn om datawetenschapper te worden en praktische ervaring willen opdoen in deep learning en versterkt leren.

Vaardigheden die je gaat verwerven

  • Categorie: Lineaire regressie
  • Categorie: Machine Learning (ML)-algoritmen
  • Categorie: Regressie Ridge
  • Categorie: begeleid leren
  • Categorie: Regressieanalyse