Онлайн-курс – сертифицированная профессиональная специализация по машинному обучению от Стэнфордского университета.

Экспертиза — серия курсов из 3 частей

Экспертиза машинного обучения — это основополагающая онлайн-программа, созданная в сотрудничестве DeepLearning.AI и Стэнфордского университета. Эта программа, удобная для начинающих, научит вас основам машинного обучения и тому, как использовать эти методы для создания реальных приложений искусственного интеллекта.

по экспертизе

Экспертный опыт предоставлен Эндрю Нг, провидцем в области искусственного интеллекта, который провел важные исследования в Стэнфордском университете и проделал новаторскую работу в Google Brain, Baidu и Landing.AI для развития области искусственного интеллекта.

Серия курсов, состоящая из трех частей, представляет собой обновленную версию инновационного курса Эндрю по машинному обучению, который получил оценку 4,9 из 5 и с момента его запуска в 2012 году его прошли более 4,8 миллиона учащихся. Он обеспечивает широкое введение в современное машинное обучение, в том числе:

• Обучение под учителем (множественная линейная регрессия, логистическая регрессия, нейронные сети и деревья решений)
• Обучение без учителя (кластеризация, уменьшение размерностей, системы рекомендаций)
• Некоторые из лучших практик, используемых в Кремниевой долине для инноваций в области искусственного интеллекта и машинного обучения (оценка моделей, ориентация моделей и подход, основанный на данных, для повышения производительности и т. д.)

По окончании курса вы овладеете ключевыми концепциями и получите практические знания, которые позволят быстро и эффективно применять машинное обучение для решения сложных задач в реальном мире. Если вы хотите войти в мир искусственного интеллекта или построить карьеру в области машинного обучения, новая специальность «Машинное обучение» — лучшее место для начала.

Практический учебный проект

По итогам этой экспертизы вы будете готовы:

• Создавайте модели машинного обучения на Python, используя популярные библиотеки, такие как NumPy и scikit-learn.
• Создавайте и обучайте модели машинного обучения с учителем для задач двоичного прогнозирования и классификации, включая линейную регрессию и логистическую регрессию.
• Создайте и обучите нейронную сеть с помощью TensorFlow для выполнения многоуровневой классификации.
• Применяйте передовые методы разработки машинного обучения, чтобы ваши модели соответствовали реальным данным и задачам.
• Создавайте и используйте деревья решений и методы ферментов деревьев, включая случайные леса и усиленные деревья.
• Используйте методы обучения без учителя: включая кластеризацию и обнаружение аномалий.
• Создать системы рекомендаций с использованием подхода совместной фильтрации и метода глубокого обучения на основе контента.
• Создайте глубокую модель самообучения.