Certifieringskurs i maskininlärning med Python
4.900,00 SEK
- 30 timmar
Denna kurs i maskininlärning med Python ger en ingående översikt över ML-ämnen, inklusive arbete med realtidsdata, utveckling av övervakade och oövervakade inlärningsalgoritmer, regression, klassificering och tidsseriemodellering. I denna certifieringsträning för maskininlärning kommer du att lära dig att använda Python för att göra förutsägelser baserade på data. Efter avslutad kurs i maskininlärning med Python kommer du att få ett intyg som bekräftar dina färdigheter som expert på maskininlärning.
Vad ingår?
Språk
Kursen och materialet är på engelska
Nivå
Nybörjar- till medelnivå för yrkesverksamma
Tillgång i 1 år
5 timmars videoinnehåll
Studietid
Rekommenderad studietid: minst 30 timmar
Praktiker
3 slutprojekt och simuleringstest
Inget prov
Kursen har ingen examination, men studenten får ett intyg på genomförd utbildning.
Översikt
Färdigheter:
- Övervakad och oövervakad inlärning
- Linjär och logistisk regression
- KMeans-klustring
- Beslutsträd
- Boosting- och baggingtekniker
- Tidsseriemodellering
- SVM med kärnfunktioner
- Naiv Bayes
- Random forest-klassificerare
- Grunderna i djupinlärning
Vad kommer du att lära dig?
Repetition i matematik
Gratis kurs 1
- Sannolikhet och statistik
- Koordinatgeometri
- Linjär algebra
- Egenvärden, egenvektorer och egenvärdesuppdelning
- Introduktion till differential- och integralkalkyl
Grundläggande statistik för datavetenskap
Gratis kurs 2
- Introduktion till statistik
- Förstå data
- Beskrivande statistik
- Datavisualisering
- Sannolikhet
- Sannolikhetsfördelningar
- Urval och urvalsmetoder
- Inferentiell statistik
- Tillämpning av inferentiell statistik
- Samband mellan variabler
- Tillämpning av statistik inom näringslivet
- Övning med stöd
Introduktion
Lektion 01
Börja utbildningen med att sätta dig in i kursens delar och de ämnen som tas upp. Det hjälper dig att förbereda dig inför de kommande kurstillfällena.
Introduktion till maskininlärning
Lektion 02
Kursen behandlar grundläggande begrepp inom maskininlärning, inklusive dess definition och olika typer. Den går också djupare in på arbetsflödet för maskininlärning, MLOps och AutoML och ger insikter i hur maskininlärningsmodeller kan driftsättas i stor skala. Dessutom introduceras studenterna till de viktigaste Python-paketen för maskininlärning, vilket gör det möjligt för dem att använda Pythons robusta ekosystem för att utveckla maskininlärningslösningar.
Ämnen:
- Vad är maskininlärning?
- Olika typer av maskininlärning
- Maskininlärningspipeline, MLOps och AutoML
- Introduktion till Python-paket för maskininlärning
Övervakad inlärning
Lektion 03
Avsnittet om övervakad inlärning utforskar dess praktiska tillämpningar inom olika områden och innehåller diskussioner om dess relevans och betydelse i verkliga situationer. Studenterna deltar i praktiska aktiviteter för att förbereda och bearbeta data för uppgifter inom övervakad inlärning, följt av diskussioner om överanpassning och underanpassning. Dessutom erbjuds praktiska övningar för att upptäcka och undvika dessa problem samt insikter i regulariseringstekniker för att optimera modellernas prestanda och minska överanpassning.
Ämnen:
- Övervakad inlärning
- Tillämpningar av övervakad inlärning
- Överanpassning och underanpassning
- Regularisering
Regression och dess tillämpning
Lektion 04
Det här avsnittet behandlar grunderna i regressionsanalys, inklusive dess definition och olika typer, såsom linjär regression, logistisk regression, polynomregression, ridge-regression och lasso-regression. Diskussionerna belyser de centrala antaganden som ligger till grund för linjär regression, och praktiska övningar ger konkret erfarenhet av linjär regressionsmodellering. Deltagarna får också utforska data med hjälp av tekniker som SMOTE-översampling samt förbereda, bygga och utvärdera regressionsmodeller för att bli skickliga på regressionsanalys.
Ämnen:
- Vad är regression?
- Typer av regression
- Linjär regression
- Centrala antaganden för linjär regression
- Logistisk regression
- Översampling med SMOTE
- Polynomregression
- Ridge-regression
- Lassoregression
Klassificering och tillämpningar
Lektion 05
Det här avsnittet behandlar klassificeringsalgoritmer, deras definitioner, typer och tillämpningar samt valet av prestandamått. Deltagarna får genom diskussioner och handledda övningar fördjupa sig i olika klassificeringstekniker, såsom naiv Bayes, stokastisk gradientnedstigning, k-närmaste grannar, beslutsträd, slumpmässig skog, Boruta och stödvektormaskiner. Även centrala begrepp som Cohens kappa diskuteras, följt av kunskapskontroller för att befästa förståelsen.
Ämnen:
- Vad är klassificeringsalgoritmer?
- Olika typer av klassificering
- Typer av tillämpningar och val av prestandaparametrar
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-grannpopulationer
- Beslutsträd Random Forest
- Boruta
- Stödvektormaskin
- Cohens mantel
Algoritmer för oövervakad inlärning
Lektion 06
Det här avsnittet introducerar studenterna till algoritmer för oövervakad inlärning och behandlar olika typer av algoritmer, deras tillämpningar och prestandamått. Deltagarna får arbeta praktiskt med att bland annat visualisera resultat och tillämpa tekniker som hierarkisk klustring, K-means-klustring och K-medoids-algoritmen. Dessutom utforskar de metoder för avvikelsedetektering och tekniker för dimensionsreduktion, såsom principalkomponentanalys (PCA), singulärvärdesuppdelning och oberoende komponentanalys. Praktiska tillämpningar av dessa algoritmer demonstreras genom handledda övningar som fördjupar studenternas förståelse för begrepp inom oövervakad inlärning.
Ämnen som tas upp:
- Algoritmer för oövervakad inlärning
- Olika typer av algoritmer för oövervakad inlärning
- När ska man använda algoritmer för oövervakad inlärning?
- Prestandaparametrar
- Typer av klustring
- K-means-klustring
- K-medoids-algoritmen
- Avvikande värden
- Identifiering av avvikande värden
- Principalkomponentanalys
- Korrespondensanalys och multipel korrespondensanalys (MCA)
- Singulärvärdesuppdelning
- Oberoende komponentanalys
- Balanserad iterativ reduktion och klustring med hjälp av hierarkier (BIRCH)
Ensembleinlärning
Lektion 07
Det här avsnittet behandlar klassificeringsalgoritmer och deras definitioner, typer och tillämpningar samt valet av prestandamått. Genom diskussioner och handledda övningar får deltagarna fördjupa sig i olika klassificeringstekniker, såsom naiv Bayes, stokastisk gradientnedstigning, k-närmaste grannar, beslutsträd, slumpmässig skog, Boruta och stödvektormaskiner. Även centrala begrepp som Cohens kappa diskuteras, följt av kunskapskontroller för att befästa förståelsen.
Ämnen:
- Vad är klassificeringsalgoritmer?
- Olika typer av klassificering
- Typer av tillämpningar och val av prestandaparametrar
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-grannpopulationer
- Beslutsträd Random Forest
- Boruta
- Stödvektormaskin
- Cohens mantel
Rekommendationssystem
Lektion 08
Den här modulen ger en omfattande översikt över rekommendationssystem och utforskar deras bakomliggande principer och mekanismer. Deltagarna får fördjupa sig i olika användningsfall och exempel på rekommendationssystem och får insikt i hur de utformas och implementeras. Genom praktiska övningar tillämpar deltagarna tekniker för kollaborativ filtrering, däribland minnesbaserad modellering, objektbaserad och användarbaserad filtrering samt modellbaserad kollaborativ filtrering. Dessutom utforskar de dimensionsreduktion, metoder för matrisfaktorisering och noggrannhetsmatriser inom maskininlärning för att utvärdera och optimera rekommendationssystemens prestanda.
Ämnen:
- Hur fungerar rekommendationssystem?
- Användningsområden för rekommendationssystem
- Exempel på rekommendationssystem och hur de utformas ¨
- Använda PyTorch för att bygga en rekommendationsmotor.
Industriprojekt
I slutet av kursen kommer du att genomföra två projekt. Du får tillämpa allt du har lärt dig och skaffa dig praktisk erfarenhet med hjälp av dina nya kunskaper.
- Projekt 1: Analys av personalomsättning – Skapa maskininlärningsprogram för att förutsäga personalomsättning, inklusive datakvalitetskontroller, explorativ dataanalys, klustring med mera, och föreslå strategier för att behålla medarbetare baserat på sannolikhetspoäng.
- Projekt 2: Segmentering av låtar – Genomför explorativ dataanalys och klusteranalys för att gruppera låtar.
Vilka färdigheter kommer du att tillägna dig?
Den här kursen i maskininlärning med Python ger dig kunskaper för att:
Typer av ML
Utforska de olika typerna av maskininlärning och deras respektive egenskaper.
Knappfunktion
Analysera maskininlärningspipelinen och förstå de centrala arbetsmomenten inom drift och hantering av maskininlärning (MLOps).
Övervakad inlärning
Att lära sig om övervakad inlärning och dess många tillämpningsområden.
Passform
Förstå begreppen överanpassning och underanpassning och använd metoder för att upptäcka och förebygga dem.
Regression
Analysera olika regressionsmodeller och deras lämplighet i olika situationer. Identifiera linjära samband mellan variabler och skapa korrelationskartor.
Algoritmer
Lista olika typer av klassificeringsalgoritmer och förstå deras specifika tillämpningar.
Oövervakad
Bemästra olika metoder för oövervakad inlärning och lär dig när du ska använda dem. Få en djup förståelse för olika klustringstekniker inom oövervakad inlärning.
Modellering
Utforska olika tekniker för ensemblemodellering, såsom bagging, boosting och stacking.
Jämför
Utvärdera och jämför olika ramverk för maskininlärning, inklusive TensorFlow och Keras.
PyTorch
Bygg en rekommendationsmotor med PyTorch
Visualisering
Skapa visualiseringar med Matplotlib, Seaborn, Plotly och Bokeh.
Vem bör anmäla sig till det här programmet?
En framstående dataingenjör bygger och underhåller datastrukturer och arkitekturer för inläsning, bearbetning och tillgängliggörande av data i storskaliga, dataintensiva applikationer. Det är en lovande karriärväg för både nybörjare och erfarna yrkesverksamma med ett stort intresse för data, bland annat:
Dataforskare
Ingenjör inom maskininlärning
AI-ingenjör
BI-utvecklare
Mjukvaruingenjör
AI-forskare
Ingenjör inom naturlig språkbehandling
AI-produktchef
Behörighet
Behörighet
Certifieringskursen i maskininlärning med Python passar deltagare på medelnivå, däribland analyschefer, verksamhetsanalytiker, informationsarkitekter, utvecklare som vill bli maskininlärningsingenjörer eller datavetare samt högskoleutbildade som vill göra karriär inom datavetenskap och maskininlärning.
Förutsättningar
Deltagarna behöver ha en kandidatexamen eller gymnasieexamen samt kunskaper i grundläggande statistik och matematik på högskolenivå. Det är även en fördel att vara bekant med programmering i Python. Innan man påbörjar certifieringsutbildningen i maskininlärning med Python bör man ha tillgodogjort sig innehållet i grundläggande kurser, bland annat Python för datavetenskap, repetitionskurser i matematik och grundläggande statistik för datavetenskap.
Vanliga frågor
Behöver du en skräddarsydd företagsintern utbildning eller grupputbildning?
Begär ett företagsinternt utbildningsprogram som skräddarsys specifikt för ditt team. Vi erbjuder flexibla anpassningsmöjligheter i linje med dina affärsmål, samt konkurrenskraftiga priser för större grupper. Fyll i formuläret nedan, så tar våra experter inom företagsutbildning fram den perfekta lösningen för dig.