Çevrimiçi kurs – Google’ın uygulamalı makine öğreniminde sertifikalı profesyonel uzmanlık

Veri işleme, bilgisayarlı görme ve sinir ağlarındaki pratik sorunları çözmeye yönelik gelişmiş tekniklerle makine öğrenimi becerilerinizi geliştirin.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

başlangıç

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Pratik makine öğrenimi becerileri
  • rehberli öğrenme
  • ağ yöntemleri
  • Regresyon analizi
  • rehbersiz öğrenme
  • sinir ağları
  • Görüntü sınıflandırması
  • Veri niteliklerinin çıkarılması
  • Modellerin optimizasyonu
  • Evrişimli Sinir Ağları (CNN)
  • takviyeli öğrenme
  • Önsel analiz
  • Gerçek veriye dayalı sorunları çözme
  • Jupyter Notebook ve PyTorch ile uygulamalı deneyim

What you will learn in the course

Courses for which the course is suitable

  • Veri Mühendisi
  • veri analisti
  • Makine öğrenimi modelleri geliştirir
  • veri bilimcisi
  • Bilgisayarla görme konusunda uzman
  • Yapay zeka alanında yazılım geliştiricisi
  • Makine öğrenimi alanında araştırmacı
  • Tahmine Dayalı Sistem Analisti
  • Gelişmiş tahmin çözümleri geliştirir
  • Takviyeli öğrenme uzmanı

Odak – 3 kurstan oluşan bir seri

Bu staj, çeşitli alanlarda uygulanabilecek pratik makine öğrenimi becerilerini geliştirmek isteyen lisansüstü öğrenciler için tasarlanmıştır. Üç kapsamlı kurs sırasında aşağıdaki gibi temel teknikler:

  • rehberli öğrenme
  • ağ yöntemleri
  • Regresyon analizi
  • rehbersiz öğrenme
  • sinir ağları

Kurslar pratik öğrenmeyi vurguluyor ve makine öğrenimini aşağıdaki gibi pratik problemlere uygulama fırsatı sunuyor:

  • Görüntü sınıflandırması
  • Veri niteliklerinin çıkarılması
  • Modellerin optimizasyonu

Aşağıdakiler gibi ileri düzey konuları inceleyin:

  • Evrişimli Sinir Ağları (CNN)
  • takviyeli öğrenme
  • Önsel analiz

Stajın sonunda, bilgisayarla görme ve veri işleme gibi alanlarda makine öğrenimindeki karmaşık zorlukların üstesinden gelmek için iyi bir donanıma sahip olacaksınız ve bu da sizi gelişmiş tahmin modellerine ihtiyaç duyan sektörlerde değerli bir varlık haline getirecek.

Pratik bir öğrenme projesi

Bu stajda öğrenciler, Maccagel veri kümelerini kullanarak intihar oranlarını tahmin etmek gibi gerçek dünya projeleri üzerinde çalışacaklar. Öğrenciler, makine öğrenimi tekniklerini uygulayarak verileri yakalayacak, önemli özellikleri belirleyecek ve tahmine dayalı modeller geliştirecek.

Sınıflandırma mı yoksa regresyon modellerinin mi kullanılacağına karar vermek ve değişkenler arasında sağlam metodolojiler bulmak için makine öğrenimi algoritmalarını kalibre etmek gibi karmaşık zorluklar üzerinde çalışacaklar.

Öğrenciler Jupyter Notebook ve PyTorch gibi araçları kullanarak uygulamalı deneyim kazanacak ve gerçek veri odaklı sorunları çözen işlevsel bir prototip oluşturacak.

Details of the courses that make up the specialization

Pratik Makine Öğrenimi: Teknikler ve Uygulamalar

Kurs 1

19 saat

ne öğreneceksin

  • Görüntü tanıma ve nesne tanıma da dahil olmak üzere makine öğrenimi tekniklerini bilgisayarla görme görevlerine anlayın ve uygulayın.
  • Uygun ölçümler ve değerlendirme tekniklerini kullanarak veri özelliklerini analiz edin ve makine öğrenimi modellerinin performansını değerlendirin.
  • Bir makine öğrenimi modelini etkili bir şekilde eğitmek amacıyla verileri temizlemek, dönüştürmek ve hazırlamak için veri ön işleme yöntemlerini uygulayın.
  • Sınıflandırma ve regresyon görevleri için denetimli öğrenme algoritmalarını uygulayın ve optimize edin.

kazanacağınız beceriler

  • Veri ön işleme
  • özellik mühendisliği
  • Denetimli öğrenme
  • pratik uygulama
  • Modellerin değerlendirilmesi

Makine öğrenmesi uygulamalarında ileri yöntemler

Kurs 2

19 saat

ne öğreneceksin

  • Çeşitli öğrenme algoritmalarını birleştirerek model doğruluğunu ve sağlamlığını geliştirmek için topluluk yöntemlerini anlayın ve uygulayın.
  • Sürekli sonuçları tahmin etmek ve verilerdeki karmaşık ilişkileri modellemek için gelişmiş regresyon tekniklerini keşfedin.
  • Etiketlenmemiş verilerde kümeleme, boyutluluk azaltma ve örüntü tanıma için denetimsiz öğrenme algoritmaları uygulayın.
  • Karar verme ve ilişkisel yasaların araştırılması için pekiştirmeye dayalı öğrenme ve uydurma analiz tekniklerini anlayın ve uygulayın.

kazanacağınız beceriler

  • topluluk öğrenimi
  • Denetimsiz öğrenme
  • takviyeli öğrenme
  • Epitel analizi
  • Gelişmiş regresyon teknikleri

Sinir ağlarını ve model düzenlemesini anlama

Kurs 3

16 saat

ne öğreneceksin

  • Sıfırdan sinir ağları oluşturun ve bunları MNIST gibi gerçek veri kümelerine uygulayın.
  • Sinir ağı modellerini optimize etmek ve hesaplamalı grafikleri anlamak için geriye yayılım uygulayın.
  • Modelin aşırı uyumunu azaltmak için L1, L2 düzenlemesini, çıkarma ve budamayı kullanın.
  • Görüntü ve ses işleme için PyTorch’u kullanarak evrişimli sinir ağlarını (CNN) ve tensörleri uygulayın.

kazanacağınız beceriler

  • PyTorch’ta yeterlilik
  • Düzenlileştirme teknikleri
  • Sinir ağlarının uygulanması
  • Evrişimli Sinir Ağları (CNN)
  • Geri imhanın kontrolü