De AI-workflow: zakelijke prioriteiten en gegevensinvoer
Cursus 1
Duur: 7 uur
Beoordeling: 4,3 (159 beoordelingen)
wat ga je leren
Met de eerste cursus van de IBM Business AI Workflow Certificering maak je kennis met het vakgebied en de randvoorwaarden. De cursussen zijn bedoeld voor praktische datawetenschappers met inzicht in waarschijnlijkheid, statistiek, lineaire algebra en Python-tools.
Aan het einde van de cursus kunt u:
- Ken de voordelen van data science via een gestructureerd proces.
- Beschrijf hoe de fasen van Design Thinking passen in het werkproces van kunstmatige intelligentie voor het bedrijfsleven.
- Bespreek enkele strategieën voor het rangschikken van zakelijke kansen.
- Leg uit waar data science en data engineering elkaar overlappen in de AI-workflow.
- Leg het doel van de gegevensinvoertest uit.
- Beschrijf het gebruik bij ontbrekende matrices.
- Ken de eerste stappen op weg naar het automatiseren van pijplijnen voor gegevensinvoer.
Wie moet deze cursus volgen?
De cursus is gericht op bestaande datawetenschappers met expertise in het bouwen van machine learning-modellen.
Welke vaardigheden moet je hebben?
- Basiskennis van lineaire algebra.
- Inzicht in steekproeven, waarschijnlijkheidstheorie en kansverdelingen.
- Kennis van beschrijvende statistische concepten en het trekken van conclusies.
- Algemeen begrip van machine learning-technieken.
- Een praktisch begrip van Python en de pakketten die worden gebruikt in data science.
- Inleiding tot IBM Watson Studio.
- Bekend met het design thinking proces.
vaardigheden die je gaat verwerven
- kunstmatige intelligentie (AI)
- Datawetenschap
- Python-programmering
- Informatietechniek
- machinaal leren
Het werkproces van kunstmatige intelligentie: data-analyse en hypothesetesten
Cursus 2
Duur: 10 uur
Beoordeling: 4,2 (110 beoordelingen)
wat ga je leren
In deze cursus begin je je werk voor een hypothetisch mediabedrijf met het uitvoeren van verkennende data-analyse (EDA). Leer best practices voor datavisualisatie, het omgaan met ontbrekende gegevens en het testen van hypothesen.
Aan het einde van de cursus kunt u:
- Lijst van best practices met betrekking tot EDA en datavisualisatie.
- Maak een eenvoudig dashboard in Watson Studio.
- Beschrijf strategieën voor het omgaan met ontbrekende gegevens.
- Leg het verschil uit tussen inbedding en meervoudige inbedding.
- Gebruik normale verdelingen om waarschijnlijkheidsvragen te beantwoorden.
- Leg de rol uit van verkennend testen bij EDA.
- Pas verschillende methoden toe om met meerdere tests om te gaan.
Wie moet deze cursus volgen?
De cursus is gericht op bestaande datawetenschappers met expertise in het bouwen van machine learning-modellen.
Welke vaardigheden moet je hebben?
- Basiskennis van lineaire algebra.
- Inzicht in steekproeven, waarschijnlijkheidstheorie en kansverdelingen.
- Kennis van beschrijvende statistische concepten en het trekken van conclusies.
- Algemeen begrip van machine learning-technieken.
- Een praktisch begrip van Python en de pakketten die worden gebruikt in data science.
- Inleiding tot IBM Watson Studio.
- Bekend met het design thinking proces.
vaardigheden die je gaat verwerven
- kunstmatige intelligentie (AI)
- Datawetenschap
- Python-programmering
- Informatietechniek
- machinaal leren
Het werkproces van kunstmatige intelligentie: feature engineering en bias-detectie
Cursus 3
Duur: 12 uur
Beoordeling: 4,4 (68 beoordelingen)
wat ga je leren
Deze cursus introduceert de volgende stap in de workflow voor ons hypothetische mediabedrijf. Je leert de beste methoden voor feature engineering, behandeling van ongelijkheid tussen de categorieën en detectie van vooroordelen in de gegevens.
Aan het einde van de cursus kunt u:
- instrumenten gebruiken om problemen van ongelijkheid tussen de categorieën aan te pakken.
- Leg de ethische overwegingen met betrekking tot data biases uit.
- Gebruik de Fairness 360 open source-bibliotheken om vertekeningen in modellen te detecteren.
- Voer dimensiereductietechnieken uit in de EDA-fase.
- Beschrijf technieken voor onderwerpmodellering in natuurlijke taalverwerking.
- Pas de beste methoden voor het verwerken van gegevensuitzonderingen toe.
- Pas algoritmen toe om afwijkingen te detecteren.
- Pas onbewaakte leertechnieken toe.
- Pas basisclusteringalgoritmen toe.
Wie moet deze cursus volgen?
De cursus is gericht op bestaande datawetenschappers met expertise in het bouwen van machine learning-modellen.
Welke vaardigheden moet je hebben?
- Basiskennis van lineaire algebra.
- Inzicht in steekproeven, waarschijnlijkheidstheorie en kansverdelingen.
- Kennis van beschrijvende statistische concepten en het trekken van conclusies.
- Algemeen begrip van machine learning-technieken.
- Een praktisch begrip van Python en de pakketten die worden gebruikt in data science.
- Inleiding tot IBM Watson Studio.
- Bekend met het design thinking proces.
vaardigheden die je gaat verwerven
- kunstmatige intelligentie (AI)
- Datawetenschap
- Python-programmering
- Informatietechniek
- machinaal leren
Het werkproces van kunstmatige intelligentie: machinaal leren, visuele herkenning en natuurlijke taalverwerking
Cursus 4
Duur: 13 uur
Beoordeling: 4,4 (78 beoordelingen)
wat ga je leren
De vierde cursus behandelt de volgende fase van het werkproces, het definiëren van modellen en bijbehorende datapijplijnen voor een hypothetisch mediabedrijf.
Aan het einde van de cursus kunt u:
- Bespreek regressie-, classificatie- en meervoudige classificatiematrices.
- Leg het gebruik van lineaire en logistische regressie uit.
- Beschrijf strategieën voor het zoeken naar netwerken en het uitvoeren van een kruistest.
- Pas evaluatiestatistieken toe op geselecteerde modellen.
- Leg het gebruik van op bomen gebaseerde algoritmen uit.
- Het gebruik van neurale netwerken uitleggen.
- Maak een neuraal netwerkmodel in Tensorflow.
- Maak en test een exemplaar van de visuele herkenning van Watson.
- Maak en test een Watson NLU-instantie.
Wie moet deze cursus volgen?
De cursus is gericht op bestaande datawetenschappers met expertise in het bouwen van machine learning-modellen.
Welke vaardigheden moet je hebben?
- Basiskennis van lineaire algebra.
- Inzicht in steekproeven, waarschijnlijkheidstheorie en kansverdelingen.
- Kennis van beschrijvende statistische concepten en het trekken van conclusies.
- Algemeen begrip van machine learning-technieken.
- Een praktisch begrip van Python en de pakketten die worden gebruikt in data science.
- Inleiding tot IBM Watson Studio.
- Bekend met het design thinking proces.
vaardigheden die je gaat verwerven
- kunstmatige intelligentie (AI)
- Datawetenschap
- Python-programmering
- Informatietechniek
- machinaal leren
Het werkproces van kunstmatige intelligentie: modellen inzetten in de organisatie
Cursus 5
Duur: 9 uur
Beoordeling: 4,2 (51 beoordelingen)
wat ga je leren
De cursus behandelt de inzet van modellen in de organisatie en de processen die nodig zijn om de gebouwde modellen te implementeren.
Aan het einde van de cursus kunt u:
- Leg het proces van het inzetten van de modellen in de organisatie uit.
- beheer de levensduur van het model na implementatie.
- Pas technieken toe om modellen te beheren.
Wie moet deze cursus volgen?
De cursus is gericht op bestaande datawetenschappers met expertise in het bouwen van machine learning-modellen.
Welke vaardigheden moet je hebben?
- Basiskennis van lineaire algebra.
- Inzicht in steekproeven, waarschijnlijkheidstheorie en kansverdelingen.
- Kennis van beschrijvende statistische concepten en het trekken van conclusies.
- Algemeen begrip van machine learning-technieken.
- Een praktisch begrip van Python en de pakketten die worden gebruikt in data science.
- Inleiding tot IBM Watson Studio.
- Bekend met het design thinking proces.
vaardigheden die je gaat verwerven
- kunstmatige intelligentie (AI)
- Datawetenschap
- Python-programmering
- Informatietechniek
- machinaal leren
