Sertifiseringskurs i maskinlæring med Python

4.900,00 NOK

  • 30 timer
eLæring

Dette kurset i maskinlæring med Python gir en grundig oversikt over ML-emner, inkludert arbeid med sanntidsdata, utvikling av overvåkede og uovervåkede læringsalgoritmer, regresjon, klassifisering og modellering av tidsserier. I dette sertifiseringstreningen for maskinlæring vil du lære hvordan du bruker Python til å gjøre prediksjoner basert på data. Etter fullføring av dette kurset i maskinlæring med Python, vil du motta et sertifikat som bekrefter dine ferdigheter som en ekspert på maskinlæring.

Hva er inkludert?

Språk

Kurset og materiellet er på engelsk

Nivå

Nybegynner- til mellomnivå for profesjonelle

Tilgang i 1 år

5 timer med videoinnhold

Studietid

Anbefalt studietid er minst 30 timer

Praksiser

3 avsluttende prosjekter og simuleringstest

Ingen eksamen

Det er ingen eksamen i kurset, men studenten vil få et kursbevis etter fullført opplæring.

Hero

Oversikt

Ferdigheter:

  • Veiledet og ikke-veiledet læring
  • Lineær og logistisk regresjon
  • K-means-klynging
  • Beslutningstrær
  • Boosting- og bagging-teknikker
  • Tidsseriemodellering
  • SVM med kjernefunksjoner
  • Naiv Bayes
  • Tilfeldig skog-klassifikatorer
  • Grunnleggende om dyplæring
Hero

Hva vil du lære?

  1. Oppfriskning i matematikk

    Gratis kurs 1

    • Sannsynlighet og statistikk
    • Koordinatgeometri
    • Lineær algebra
    • Egenverdier, egenvektorer og egendekomponering
    • Innføring i differensial- og integralregning
  2. Grunnleggende statistikk for datavitenskap

    Gratis kurs 2

    • Innføring i statistikk
    • Forstå dataene
    • Beskrivende statistikk
    • Datavisualisering
    • Sannsynlighet
    • Sannsynlighetsfordelinger
    • Utvalg og utvalgsteknikker
    • Inferensiell statistikk
    • Anvendelse av inferensiell statistikk
    • Sammenheng mellom variabler
    • Bruk av statistikk i næringslivet
    • Veiledet øving
  3. Innledning

    Leksjon 01

    Start dette programmet med å sette deg inn i kursets deler og temaene som dekkes. Dette vil hjelpe deg med å være forberedt til de kommende samlingene.

  4. Innføring i maskinlæring

    Leksjon 02

    Kurset dekker de grunnleggende begrepene innen maskinlæring, inkludert hva maskinlæring er, og de ulike typene. Det går også nærmere inn på arbeidsflyten for maskinlæring, MLOps og AutoML, og gir innsikt i hvordan maskinlæringsmodeller kan settes i produksjon i stor skala. I tillegg blir studentene introdusert for de viktigste Python-pakkene for maskinlæringsoppgaver, slik at de kan bruke Pythons robuste økosystem til å utvikle maskinlæringsløsninger.

    Emner:

    • Hva er maskinlæring?
    • Ulike typer maskinlæring
    • Maskinlæringspipeline, MLOps og AutoML
    • Introduksjon til Python-pakker for maskinlæring
  5. Veiledet læring

    Leksjon 03

    Delen om veiledet læring utforsker praktiske anvendelser innen ulike fagområder og omfatter diskusjoner om metodens relevans og betydning i virkelige situasjoner. Studentene deltar i praktiske aktiviteter for å klargjøre og tilrettelegge data for oppgaver innen veiledet læring, etterfulgt av diskusjoner om overtilpasning og undertilpasning. I tillegg tilbys praktiske øvelser for å oppdage og unngå disse problemene, samt innsikt i regulariseringsteknikker for å optimalisere modellens ytelse og redusere overtilpasning.

    Emner:

    • Veiledet læring
    • Bruksområder for veiledet læring
    • Overtilpasning og undertilpasning
    • Regularisering
  6. Regresjon og dens anvendelse

    Leksjon 04

    Denne delen tar for seg det grunnleggende i regresjonsanalyse, med definisjon og ulike typer, inkludert lineær, logistisk og polynomisk regresjon samt ridge- og lasso-regresjon. Diskusjonene fremhever de sentrale forutsetningene for lineær regresjon, og praktiske øvelser gir erfaring med lineær regresjonsmodellering. Deltakerne vil også utforske data ved hjelp av teknikker som SMOTE-oversampling og forberede, bygge og evaluere regresjonsmodeller for å bli dyktige i regresjonsanalyse.

    Emner:

    • Hva er regresjon?
    • Typer regresjon
    • Lineær regresjon
    • Viktige forutsetninger for lineær regresjon
    • Logistisk regresjon
    • Oversampling med SMOTE
    • Polynomregresjon
    • Ridge-regresjon
    • Lasso-regresjon
  7. Klassifisering og bruksområder

    Leksjon 05

    Denne delen tar for seg klassifiseringsalgoritmer og deres definisjoner, typer og bruksområder, samt valg av ytelsesmål. Gjennom diskusjoner og veiledede øvelser får deltakerne inngående kjennskap til ulike klassifiseringsteknikker, som naiv Bayes, stokastisk gradientnedstigning, k-nærmeste naboer, beslutningstrær, tilfeldig skog, Boruta og støttevektormaskiner. Sentrale begreper som Cohens kappa blir også diskutert, etterfulgt av kunnskapstester for å styrke forståelsen.

    Emner:

    • Hva er klassifiseringsalgoritmer?
    • Ulike typer klassifisering
    • Typer bruksområder og valg av ytelsesparametere
    • Naiv Bayes
    • Stokastisk gradientnedstigning
    • K-nabopopulasjoner
    • Beslutningstre Tilfeldig skog
    • Boruta
    • Støttevektormaskin
    • Cohens kappe
  8. Algoritmer for ikke-veiledet læring

    Leksjon 06

    Denne delen gir studentene en innføring i algoritmer for ikke-veiledet læring og tar for seg ulike typer, bruksområder og ytelsesparametere. Deltakerne gjennomfører praktiske aktiviteter, som å visualisere resultater og bruke teknikker som hierarkisk klynging, K-means-klynging og K-medoids-algoritmen. I tillegg utforsker de metoder for avviksdeteksjon og teknikker for dimensjonsreduksjon, som hovedkomponentanalyse (PCA), singulærverdidekomponering og uavhengig komponentanalyse. Praktiske anvendelser av disse algoritmene demonstreres gjennom veiledede øvelser som styrker studentenes forståelse av begrepene innen ikke-veiledet læring.

    Temaer som dekkes:

    • Algoritmer for ikke-veiledet læring
    • Ulike typer algoritmer for ikke-veiledet læring
    • Når bør man bruke algoritmer for ikke-veiledet læring?
    • Parametere for ytelse
    • Typer klyngeanalyse
    • K-means-klynging
    • K-medoide-algoritmen
    • Uteliggere
    • Påvisning av avvikende verdier
    • Prinsipalkomponentanalyse
    • Korrespondanseanalyse og multippel korrespondanseanalyse (MCA)
    • Singulærverdidekomponering
    • Uavhengig komponentanalyse
    • Balansert iterativ reduksjon og klyngedannelse ved hjelp av hierarkier (BIRCH)
  9. Ensemblelæring

    Leksjon 07

    Denne delen tar for seg klassifiseringsalgoritmer med definisjoner, typer og bruksområder, samt valg av ytelsesmål. Gjennom diskusjoner og veiledede øvelser får deltakerne fordype seg i ulike klassifiseringsteknikker, som naiv Bayes, stokastisk gradientnedstigning, k-nærmeste naboer, beslutningstrær, tilfeldig skog, Boruta og støttevektormaskiner. Sentrale begreper som Cohens kappa blir også gjennomgått, etterfulgt av kunnskapstester for å styrke forståelsen.

    Emner:

    • Hva er klassifiseringsalgoritmer?
    • Ulike typer klassifisering
    • Typer applikasjoner og valg av ytelsesparametere
    • Naiv Bayes
    • Stokastisk gradientnedstigning
    • K-nabopopulasjoner
    • Beslutningstre tilfeldig skog
    • Boruta
    • Støttevektormaskin
    • Cohens kappe
  10. Anbefalingssystemer

    Leksjon 08

    Denne modulen gir en omfattende oversikt over anbefalingsmotorer og utforsker de underliggende prinsippene og mekanismene. Deltakerne får fordype seg i ulike bruksområder og eksempler på anbefalingssystemer og får innsikt i hvordan de utformes og implementeres. Gjennom praktiske øvelser anvender deltakerne teknikker for samarbeidsbasert filtrering, inkludert minnebasert modellering, objektbasert og brukerbasert filtrering samt modellbasert samarbeidsfiltrering. I tillegg utforsker de dimensjonsreduksjon, matrisefaktoriseringsmetoder og nøyaktighetsmatriser innen maskinlæring for å evaluere og optimalisere anbefalingsmotorenes ytelse.

    Emner:

    • Hvordan fungerer anbefalingssystemer?
    • Bruksområder for anbefalingssystemer
    • Eksempler på anbefalingssystemer og hvordan de er utformet ¨
    • Bruk av PyTorch til å bygge en anbefalingsmotor.
  11. Industriprosjekter

    På slutten av kurset skal du gjennomføre to prosjekter. Du vil bruke alt du har lært, og få praktisk erfaring med den nye kunnskapen din.

    • Prosjekt 1: Analyse av gjennomtrekk blant ansatte – Utvikle maskinlæringsprogrammer for å forutsi hvilke ansatte som vil slutte, inkludert datakvalitetskontroller, utforskende dataanalyse (EDA), klyngeanalyse osv., og foreslå strategier for å beholde ansatte basert på sannsynlighetsskårer.
    • Prosjekt 2: Segmentering av sanger – Utfør utforskende dataanalyse og klyngeanalyse for å dele sanger inn i grupper.

Hvilke ferdigheter vil du tilegne deg?

Dette kurset i maskinlæring med Python vil gjøre deg i stand til å:

Typer maskinlæring

Utforsk de ulike typene maskinlæring og deres særtrekk.

Tastebetjening

Analyser maskinlæringspipelinen og forstå de sentrale driftsprosessene innen maskinlæring (MLOps).

Veiledet læring

Lærer om veiledet læring og det brede spekteret av bruksområder.

Tilpasning

Forstå begrepene overtilpasning og undertilpasning, og bruk teknikker for å oppdage og forebygge dem.

Regresjon

Analyser ulike regresjonsmodeller og hvor godt de egner seg i ulike scenarioer. Identifiser lineære sammenhenger mellom variabler og lag korrelasjonskart.

Algoritmer

List opp ulike typer klassifiseringsalgoritmer og forstå deres spesifikke bruksområder.

Uten tilsyn

Mestre ulike metoder for ikke-veiledet læring og lær når du bør bruke dem. Få en grundig forståelse av ulike klyngeteknikker innen ikke-veiledet læring.

Modellering

Utforsk ulike teknikker for ensemblemodellering, som bagging, boosting og stacking.

Sammenlign

Evaluer og sammenlign ulike rammeverk for maskinlæring, inkludert TensorFlow og Keras.

PyTorch

Bygg en anbefalingsmotor med PyTorch

Visualisering

Lage visualiseringer med Matplotlib, Seaborn, Plotly og Bokeh.

kurs i maskinlæring

Hvem bør melde seg på dette programmet?

En dyktig dataingeniør bygger og vedlikeholder datastrukturer og arkitekturer for innhenting, behandling og tilgjengeliggjøring av data til storskala, dataintensive applikasjoner. Dette er en lovende karrierevei for både nyutdannede og erfarne fagfolk med en lidenskap for data, blant annet:

Dataviter

Maskinlæringsingeniør

Ingeniør innen kunstig intelligens

Utvikler innen forretningsanalyse

Programvareingeniør

Forsker innen kunstig intelligens

Ingeniør innen naturlig språkbehandling

Produktleder for kunstig intelligens

Start kurset nå

Kvalifikasjonskrav

Kvalifikasjonskrav

Sertifiseringskurset i maskinlæring med Python passer godt for deltakere på mellomnivå, inkludert analyseledere, forretningsanalytikere, informasjonsarkitekter, utviklere som ønsker å bli maskinlæringsingeniører eller dataforskere, og nyutdannede som ønsker en karriere innen datavitenskap og maskinlæring.

Forutsetninger

Deltakerne må ha en bachelorgrad eller vitnemål fra videregående skole. De må også ha grunnleggende kunnskaper i statistikk og matematikk på høyskole- eller universitetsnivå. Kjennskap til programmering i Python er også en fordel. Før man begynner på sertifiseringskurset i maskinlæring med Python, bør man ha tilegnet seg grunnleggende kunnskaper gjennom kurs i blant annet Python for datavitenskap, oppfriskning i matematikk og grunnleggende statistikk for datavitenskap.

Ofte stilte spørsmål

Contact background

Trenger du en skreddersydd bedriftsintern opplæring eller gruppeopplæring?

Be om et bedriftsinternt opplæringsprogram som er skreddersydd spesielt for teamet ditt. Vi tilbyr fleksible tilpasningsmuligheter i tråd med forretningsmålene dine, samt konkurransedyktige gruppepriser for større team. Fyll ut skjemaet nedenfor, så utformer ekspertene våre innen bedriftsopplæring den perfekte løsningen for deg.