Online cursus – gecertificeerde professionele specialisatie in machine learning van Stanford University

Expertise – een 3-delige cursusreeks

De Machine Learning Expertise is een fundamenteel online programma dat is ontwikkeld in samenwerking tussen DeepLearning.AI en Stanford University. Dit beginnersvriendelijke programma leert je de basisprincipes van machinaal leren en hoe je deze technieken kunt gebruiken om echte AI-applicaties te bouwen.

op de deskundigheid

De expertise wordt geleverd door Andrew Ng, een AI-visionair die belangrijk onderzoek heeft uitgevoerd aan Stanford University en baanbrekend werk heeft verricht bij Google Brain, Baidu en Landing.AI om het vakgebied AI vooruit te helpen.

De driedelige cursusreeks is een bijgewerkte versie van de innovatieve machine learning-cursus van Andrew, die een beoordeling van 4,9 uit 5 heeft gekregen en sinds de lancering in 2012 door meer dan 4,8 miljoen studenten is gevolgd. Het biedt een brede introductie tot modern machine learning, waaronder:

• Begeleid leren (meervoudige lineaire regressie, logistische regressie, neurale netwerken en beslissingsbomen)
• Leren zonder toezicht (clustering, dimensiereductie, aanbevelingssystemen)
• Enkele van de best practices die in Silicon Valley worden gebruikt voor innovatie op het gebied van kunstmatige intelligentie en machinaal leren (modelevaluatie, modeloriëntatie en een datagestuurde aanpak om de prestaties te verbeteren, enz.)

Aan het einde van de expertise beheerst u de belangrijkste concepten en profiteert u van de praktische kennis om machine learning snel en efficiënt toe te passen op uitdagende problemen in de echte wereld. Als je de wereld van AI wilt betreden of een carrière wilt opbouwen in machine learning, is de nieuwe specialiteit machine learning de beste plek om te beginnen.

Een praktisch leerproject

Aan het einde van deze expertise ben je klaar:

• Bouw machine learning-modellen in Python met behulp van populaire bibliotheken zoals NumPy en scikit-learn.
• Bouw en train begeleide machine learning-modellen voor binaire voorspellings- en classificatietaken, inclusief lineaire regressie en logistische regressie.
• Bouw en train een neuraal netwerk met behulp van TensorFlow om meerlaagse classificatie uit te voeren.
• Pas best practices voor de ontwikkeling van machine learning toe, zodat uw modellen passen bij gegevens en taken uit de echte wereld.
• Bouw en gebruik beslissingsbomen en boomenzymmethoden, inclusief willekeurige bossen en versterkte bomen.
• Gebruik onbewaakte leertechnieken: inclusief clustering en anomaliedetectie.
• Aanbevelingssystemen bouwen met een collaboratieve filteraanpak en een op inhoud gebaseerde diepgaande leermethode.
• Bouw een diepgaand zelflerend model.