Python untuk pembelajaran mesin - kursus RUB 49.990. dari Spesialis, pelatihan, Tanggal: 27 November 2023.

Kursus ini berfokus pada penggunaan Python untuk teknologi pembelajaran mesin. Perpustakaan utama yang digunakan dalam pembelajaran mesin dan metode penggunaannya dipelajari.
Kursus ini diajarkan berdasarkan perpustakaan pembelajaran mesin Scikit-Learn dan TensorFlow. Selama proses pembelajaran, alat pengembangan Jupyter Notebook dan Jupyter-Lab digunakan secara aktif. Sumber daya komputasi awan Google Colab juga digunakan.
Kursus ini direkomendasikan untuk pemrogram Python dan spesialis ilmu data.

Anda akan belajar:
menerapkan teknologi pembelajaran mesin;
menggunakan model klasifikasi, regresi, clustering;
menggunakan metode pra-pemrosesan data dan pembelajaran mesin;
memilih model pembelajaran mesin berdasarkan kualitas pekerjaannya;
perdalam pengetahuan Anda tentang Python, kuasai alat modern untuk mengembangkan model pembelajaran mesin.

Modul 1. Pernyataan masalah pembelajaran mesin (2 ac. H.)
Tiga jenis pembelajaran mesin.
Skema untuk membangun sistem pembelajaran mesin.
Alat yang diperlukan.

Berlatih menciptakan lingkungan kerja dan menggunakan Anaconda dan Jupyter Notebook.
Modul 2. Pelatihan dengan seorang guru. Masalah klasifikasi (6 ak. H.)
Konsep jaringan saraf.
Perseptron. Definisi, implementasi dan pelatihan.
Neuron linier adaptif. Definisi, implementasi dan pelatihan.
Metode penurunan gradien.
Penurunan gradien stokastik dalam neuron linier adaptif.
Pembelajaran dinamis tentang data besar.
Berlatih dengan model dan kumpulan data Scikit-Learn.
Berlatih di Notebook Jupyter.
Modul 3. Perpustakaan scikit-learn, fitur utamanya (6 ac. H.)
Pelatihan Perceptron.
Metode regresi logistik.
Mendukung mesin vektor.
Metode k-tetangga terdekat.
Pohon keputusan.
Sebuah ansambel pohon sewenang-wenang.
Berlatih di Notebook Jupyter.
Modul 4. Pelatihan dengan seorang guru. Masalah regresi (6 ak. H.)
Pelatihan dengan seorang guru. Masalah regresi.
Regresi linier.
Metode kuadrat terkecil.
Metode penurunan gradien.
Bekerja dengan emisi. Algoritma RANSAC().
Teknik bootstrap untuk koefisien regresi.
Menilai kualitas model regresi.
Dasar-dasar regresi nonlinier.
Berlatih di Notebook Jupyter.
Modul 5. Pemrosesan awal data, pemilihan fitur dan model (6 ac. H.)
Menangani data yang hilang.
Kategori pemrosesan.
Model prapemrosesan dan pelatihan.
Pemilihan fitur penting.
Menjelajahi fitur-fitur penting menggunakan hutan acak.
Saluran pembelajaran mesin.
Validasi silang dan pemilihan model.
Berlatih di Notebook Jupyter.
Modul 6. Belajar tanpa guru. Analisis klaster (6 ac. H.)
metode K-means.
Analisis Komponen Utama.
Analisis diskriminan linier.
Pengelompokan hierarki.
Pengelompokan berdasarkan kepadatan.
Berlatih di Notebook Jupyter.
Modul 7. Dasar-dasar pembelajaran mendalam (8 ac. H.)
Grafik dan komputasi terdistribusi.
Menginstal Tensorflow.
Tensor.
Kumpulan data.
Antarmuka aplikasi (API) Keras.
Regresi linier dengan penurunan gradien stokastik.
Klasifikasi berdasarkan jaringan saraf dua lapis data Iris.
Fungsi aktivasi lapisan neuron.
Klasifikasi data MNIST.
Berlatih di Google Colab.