Akıllı uygulamalar oluşturun. Dört uygulamalı kursta makine öğreniminin özetine hakim olun.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Washington Üniversitesi’nin önde gelen araştırmacıları tarafından yapılan bu staj, sizi heyecan verici ve yüksek talep gören makine öğrenimi alanıyla tanıştırıyor. Bir dizi pratik örnekle, aşağıdakiler de dahil olmak üzere makine öğreniminin temel alanlarında uygulamalı deneyim kazanacaksınız:
Büyük ve karmaşık veri sistemlerini nasıl analiz edeceğinizi, zaman içinde uyum sağlayan ve gelişen sistemler oluşturmayı ve verilerden tahminler yapabilen akıllı uygulamalar oluşturmayı öğreneceksiniz.
Öğrenciler, uzmanlıktaki her derste gerçek veri kümeleri üzerinde makine öğrenimi tahmini, sınıflandırma, kümeleme ve bilgi alma algoritmalarını uygulayacak ve uygulayacaktır. Makine öğrenimi ve Python programlama konusunda uygulamalı deneyime sahip olarak ayrıldılar.
Bu kursta, bir dizi pratik vaka aracılığıyla makine öğrenimini deneyimleyeceksiniz. İlk kursun sonunda daire özelliklerine göre daire fiyatlarını tahmin etmeyi, kullanıcı geri bildirimlerinden duyguları analiz etmeyi, ilgili belgeleri almayı, ürün önermeyi ve görsel aramayı öğreneceksiniz. Bu durumlarda uygulamalı pratik sayesinde makine öğrenimi yöntemlerini çok çeşitli alanlara uygulayabileceksiniz.
Bu ders, makine öğrenimi metodolojisini bir kara kutu olarak ele alır. Bu soyutlamayı kullanarak ilgili görevleri anlamaya, bu görevleri makine öğrenimi araçlarına uyarlamaya ve ürünün kalitesini değerlendirmeye odaklanacaksınız. Aşağıdaki derslerde modelleri ve algoritmaları inceleyerek bu kara kutunun bileşenlerini keşfedeceksiniz. Bu bileşenler birlikte, akıllı uygulamalar geliştirmek için harekete geçireceğiniz öğrenme makinesi hattını oluşturur.
Daire fiyatlarını tahmin etmeye yönelik ilk test örneğimizde, girdi özelliklerinden (alan, oda ve banyo sayısı,…) sürekli bir değer (fiyat) tahmin eden modeller oluşturacaksınız. Bu, hidrasyonun uygulanabileceği birçok örnekten sadece bir tanesidir. Diğer uygulamalar tıpta sağlık sonuçlarının tahmin edilmesinden, finansta hisse senedi fiyatlarının tahmin edilmesinden gen ifadesi üzerindeki etkilerin analiz edilmesine kadar uzanır.
Bu kursta tahmin ve özellik seçimi görevleri için düzenli doğrusal hidrasyon modellerini keşfedeceksiniz. Çok geniş özellik setlerini kullanabilecek ve farklı karmaşıklık düzeylerine sahip modeller arasında seçim yapabileceksiniz. Ayrıca verilerinizin farklı yönlerinin (örneğin aykırı değerler) seçtiğiniz modeller ve tahminler üzerindeki etkisini de analiz edeceksiniz. Bu modelleri sığdırmak için büyük veri kümelerine sığabilecek optimizasyon algoritmaları uygulayacaksınız.
Duyarlılık analizi test senaryomuzda, girdi özelliklerinden (inceleme içeriği, kullanıcı profili bilgileri,…) sınıfı (olumlu/olumsuz duyarlılıklar) tahmin eden modeller oluşturacaksınız. Bu kursun ikinci test senaryosu olan kredi geri ödeme tahmininde, finansal verileri ele alacak ve bir kredinin banka için ne zaman riskli veya güvenli olabileceğini bileceksiniz. Bu görevler, makine öğreniminin en yaygın kullanılan alanlarından biri olan ve reklam hedefleme, spam tespiti, tıbbi teşhis ve görüntü sınıflandırma gibi geniş bir uygulama yelpazesine sahip sınıflandırma örnekleridir.
Bu kursta çeşitli görevlerde birinci sınıf performans sağlayan sınıflandırıcılar oluşturacaksınız. Lojistik hidrasyon, karar ağaçları ve sıçrama dahil olmak üzere alanda en başarılı ve en yaygın kullanılan teknikleri öğreneceksiniz. Ek olarak, stokastik gradyan yükselişini kullanarak bu modelleri geniş ölçekte öğrenebilecek temel algoritmaları tasarlayacak ve uygulayacaksınız. Bu teknikleri gerçek, büyük ölçekli makine öğrenimi görevlerine uygulayın. Ayrıca, eksik verilerin işlenmesi, hassasiyetin ölçülmesi ve bir sınıflandırıcıyı değerlendirmek için geri alma dahil olmak üzere, gerçek dünyadaki makine öğrenimi uygulamalarında karşılaşacağınız önemli görevlerin üstesinden geleceksiniz. Bu kurs uygulamalı olup etkinliklerle doludur ve bu tekniklerin gerçek veriler üzerinde nasıl davranacağına dair simülasyonlar ve çizimler içerir. Ayrıca her modüle, daha da derine inmek isteyenler için ileri konuları kapsayan isteğe bağlı içerik ekledik!
Bir okuyucu belirli bir haber makalesiyle ilgileniyor ve siz de tavsiye edecek benzer makaleler bulmak istiyorsunuz. Doğru hayal gücü kavramı nedir? Üstelik milyonlarca başka belge varsa ne olur? Her yeni belgeye ulaşmak istediğinizde, diğer tüm belgeleri mi aramak zorunda kalacaksınız? Benzer belgeleri nasıl birlikte gruplandırırsınız? Makalelerin ilgili olduğu yeni ve ortaya çıkan konuları nasıl keşfedebilirsiniz?
Bu üçüncü test durumunda, benzer belgeleri bulma, erişim için benzerliğe dayalı T-inceleme algoritmaları. Bu kursta ayrıca, Kümeleme ve Gizli Dirichlet Tahsisi (LDA) gibi karma üyelik modelleri de dahil olmak üzere, derlemdeki belgeleri açıklamaya yönelik yapılandırılmış temsilleri de inceleyeceksiniz. Belge kümelerini öğrenmek için Beklenen Optimizasyon (EM) uygulayacaksınız ve MapReduce kullanarak yöntemleri genişletmek için bir örneğinize sahip olacaksınız.
