Онлайн-курс – сертифицированная профессиональная специализация в области прикладного машинного обучения Google.

Совершенствуйте свои навыки машинного обучения с помощью передовых методов решения практических задач в области обработки данных, компьютерного зрения и нейронных сетей.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Онлайн-курс – сертифицированная профессиональная специализация в области прикладного машинного обучения Google.

Professional Certificate

начиная

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Практические навыки машинного обучения
  • управляемое обучение
  • сетевые методы
  • Регрессионный анализ
  • неуправляемое обучение
  • нейронные сети
  • Классификация изображений
  • Извлечение атрибутов данных
  • Оптимизация моделей
  • Сверточные нейронные сети (CNN)
  • обучение с подкреплением
  • Априорный анализ
  • Решение реальных проблем, связанных с данными
  • Практический опыт работы с Jupyter Notebook и PyTorch.

What you will learn in the course

Courses for which the course is suitable

  • Инженер данных
  • аналитик данных
  • Разрабатывает модели машинного обучения
  • специалист по данным
  • Эксперт в области компьютерного зрения
  • Разработчик программного обеспечения в области искусственного интеллекта
  • Исследователь в области машинного обучения
  • Аналитик прогнозных систем
  • Разрабатывает передовые решения для прогнозирования
  • Специалист по обучению с подкреплением

Фокус — серия из 3 курсов

Эта стажировка предназначена для аспирантов, желающих развить практические навыки машинного обучения, которые можно применить в различных областях. В течение трех комплексных курсов изучаются такие ключевые техники, как:

  • управляемое обучение
  • сетевые методы
  • Регрессионный анализ
  • неуправляемое обучение
  • нейронные сети

Курсы делают упор на практическое обучение и дают возможность применить машинное обучение для решения практических задач, таких как:

  • Классификация изображений
  • Извлечение атрибутов данных
  • Оптимизация моделей

Погрузитесь в сложные темы, такие как:

  • Сверточные нейронные сети (CNN)
  • обучение с подкреплением
  • Априорный анализ

По окончании стажировки вы будете хорошо подготовлены к решению сложных задач машинного обучения в таких областях, как компьютерное зрение и обработка данных, что сделает вас ценным активом в отраслях, где необходимы передовые модели прогнозирования.

Практический учебный проект

В ходе этой стажировки учащиеся будут работать над реальными проектами, такими как прогнозирование уровня самоубийств с использованием наборов данных Maccagel. Применяя методы машинного обучения, учащиеся будут собирать данные, определять важные функции и разрабатывать модели прогнозирования.

Они будут работать над сложными задачами, такими как определение того, следует ли использовать модели классификации или регрессии, а также калибровку алгоритмов машинного обучения для поиска надежных методологий для различных переменных.

Используя такие инструменты, как Jupyter Notebook и PyTorch, учащиеся получат практический опыт создания функционального прототипа, который решает реальные проблемы, связанные с данными.

Details of the courses that make up the specialization

Практическое машинное обучение: методы и приложения

Курс 1

19 часов

чему ты научишься

  • Понимать и применять методы машинного обучения для решения задач компьютерного зрения, включая распознавание изображений и объектов.
  • Анализируйте атрибуты данных и оценивайте производительность моделей машинного обучения, используя соответствующие метрики и методы оценки.
  • Применяйте методы предварительной обработки данных для очистки, преобразования и подготовки данных для эффективного обучения модели машинного обучения.
  • Применяйте и оптимизируйте алгоритмы контролируемого обучения для задач классификации и регрессии.

навыки, которые вы приобретете

  • Предварительная обработка данных
  • разработка функций
  • Обучение под присмотром
  • практическое применение
  • Оценка моделей

Передовые методы в приложениях машинного обучения

Курс 2

19 часов

чему ты научишься

  • Понимайте и применяйте ансамблевые методы для повышения точности и надежности модели путем объединения нескольких алгоритмов обучения.
  • Изучите передовые методы регрессии для прогнозирования непрерывных результатов и моделирования сложных взаимосвязей в данных.
  • Применяйте алгоритмы обучения без учителя для кластеризации, уменьшения размерности и распознавания образов в неразмеченных данных.
  • Понимать и применять методы обучения на основе подкрепления и апокрифического анализа для принятия решений и поиска ассоциативных законов.

навыки, которые вы приобретете

  • ансамблевое обучение
  • Обучение без присмотра
  • обучение с подкреплением
  • Эпителиальный анализ
  • Расширенные методы регрессии

Понимание нейронных сетей и регуляризации моделей

Курс 3

16 часов

чему ты научишься

  • Создавайте нейронные сети с нуля и применяйте их к реальным наборам данных, таким как MNIST.
  • Применяйте обратное распространение ошибки для оптимизации моделей нейронных сетей и понимания вычислительных графов.
  • Используйте регуляризацию L1, L2, исключение и обрезку, чтобы уменьшить переобучение модели.
  • Применяйте сверточные нейронные сети (CNN) и тензоры с помощью PyTorch для обработки изображений и звука.

навыки, которые вы приобретете

  • Умение работать с PyTorch
  • Методы регуляризации
  • Применение нейронных сетей
  • Сверточные нейронные сети (CNN)
  • Контроль обратного удаления

Похожие