在人工智能和機器學習領域建立成功的職業生涯

人工智能與機器學習PGP課程是在與行業專家、院士和項目校友協商後製定的，以確保您學習最前沿的主題。

基金會

基礎模塊由兩門課程組成，在這兩門課程中，我們將直接接觸統計和代碼。這兩門課程為我們奠定了基礎，使我們在接下來的旅程中障礙最小。

Python for AI & ML

3測試

1項目

本課程將讓我們熟悉用於人工智能和機器學習的Python編程語言。我們從麵向對象編程的高級概念開始，然後學習這種語言的基本詞彙(/關鍵字)、語法(/語法)和句式(/可用代碼)。本課程將引導您使用最流行和最先進的編程語言之一Python介紹AI和ML的核心概念。

• Python基礎知識

Python是一種廣泛使用的高級編程語言，它的語法簡單易學，突出了可讀性。本模塊將幫助您了解Python編程的所有基礎知識，最後，您將執行您的第一個Python程序。

• Jupyter筆記本-安裝和功能

您將學習使用Jupyter Notebook實現Python for AI和ML。這個開源web應用程序允許我們創建和共享包含實時代碼、方程、可視化和敘述文本的文檔。

• Python函數、包和例程

函數和包分別用於代碼可重用性和程序模塊化。本模塊將幫助您理解和實現Python中的AI函數和包。

• Pandas, NumPy, Matplotlib, Seaborn

本模塊將讓您深入了解使用Pandas, NumPy, Matplotlib和Seaborn探索數據集。這些是使用最廣泛的Python庫。

• 處理數據結構，數組，向量和數據幀

數據結構是任何編程語言中最重要的概念之一。他們通過對每個玩家進行排名來幫助安排排行榜遊戲。它們還有助於AI和ML的語音和圖像處理。在本模塊中，您將學習數組、列表、元組等數據結構，並學習在Python中實現向量和數據幀。

應用統計學

3測試

1項目

在這裏，我們學習對探索性數據分析和機器學習至關重要的術語和概念。從最基本的簡單平均到尋找統計證據來確認或否定猜想和推測的高級過程，我們將學習一套特定的工具，用於分析數據並從數據中得出可操作的見解。

• 描述性統計

通過描述和總結幾個數據集來進行數據分析的研究被稱為描述性分析。它可以是一個地區人口的樣本，也可以是50名學生的成績。本模塊將幫助您理解Python機器學習中的描述性統計。

• 推論統計

本模塊將讓您探索使用Python使用數據進行估計和評估理論的基本概念。

• 概率和條件概率

概率是一種數學工具，用於研究隨機性，如隨機實驗中事件發生的可能性。條件概率是一個事件發生的可能性，前提是其他幾個事件也發生了。在本模塊中，您將學習Python機器學習中的概率和條件概率。

• 概率分布-分布的類型-二項，泊鬆和正態分布

一個統計函數報告一個隨機變量在特定範圍內的所有可能值，稱為概率分布。本模塊將教你Python中的概率分布和各種類型，如二項式分布、泊鬆分布和正態分布。

• 假設檢驗

本模塊將教你如何使用Python進行機器學習中的假設檢驗。假設檢驗是應用統計學中根據觀測數據進行實驗的必要步驟。

機器學習

下一個模塊是機器學習在線課程，將從頭開始教我們所有的機器學習技術，以及在每個類別中普遍使用的經典ML算法。

監督式學習

4測試

1項目

在本課程中，我們將學習有監督的ML算法，算法的工作及其應用範圍-回歸和分類。

• 多元線性回歸

線性回歸是機器學習中用於預測分析的最流行的ML算法之一，可以產生最好的結果。這是一種假定自變量和因變量之間存在線性關係的方法。

• 多元回歸

多元回歸是一種有監督的機器學習算法，涉及多個數據變量進行分析。它是用多個自變量來預測一個因變量。本模塊將引導您了解機器學習中使用的多元回歸的所有概念。

• 邏輯回歸

邏輯回歸是最流行的ML算法之一，就像線性回歸一樣。利用自變量對分類因變量進行預測是一種簡單的分類算法。本模塊將引導您了解機器學習中使用的邏輯回歸的所有概念。

• 基於事例的分類

k-NN分類(k-Nearest neighbors Classification)是解決回歸和分類問題最直接的機器學習算法之一。通過本模塊，您將了解該算法的使用。

• 樸素貝葉斯分類器

樸素貝葉斯算法是利用貝葉斯定理來解決分類問題。本模塊將教你關於定理和解決問題使用它。

• 支持向量機

支持向量機(SVM)也是一種流行的ML算法，用於回歸和分類問題/挑戰。您將通過本模塊學習如何實現此算法。

無監督學習

2測試

1項目

我們學習什麼是無監督學習算法，算法的工作和它們的應用範圍-聚類和降維。

• k - means聚類

k均值聚類是一種流行的無監督學習算法，用於解決機器學習或數據科學中的聚類問題。在本模塊中，您將學習算法如何工作並稍後實現它。

• 分層聚類

層次聚類是一種ML技術或算法，用於構建層次結構或樹狀聚類結構。例如，它用於將一組未標記的數據集組合成層次結構中的集群。本模塊將教你該算法的工作和實現。

• 高維聚類

高維聚類是通過收集數千個維度對數據集進行聚類。

• 維Reduction-PCA

主成分降維分析是一種降低模型複雜性的技術，例如消除預測模型的輸入變量數量以避免過擬合。維降- pca是Python中用於ML的一種著名技術，在本模塊中您將學習關於此方法的所有內容。

整體技術

2測試

1項目

在這個機器學習在線課程中，我們討論了有監督的獨立模型的缺點，並學習了一些技術，例如集成技術來克服這些缺點。

• 決策樹

決策樹是一種有監督的機器學習算法，用於分類和回歸問題。它是一個層次結構，其中內部節點表示數據集特征，分支表示決策規則，每個葉節點表示結果。

• 隨機森林

隨機森林是機器學習中常用的監督學習算法。顧名思義，它由所提供數據集的幾個子集上的幾個決策樹組成。然後，它計算平均值，以提高數據集的預測準確性。

• 裝袋

Bagging，也稱為Bootstrap Aggregation，是機器學習中的一種元算法，用於提高機器學習算法的穩定性和準確性，用於統計分類和回歸。

• 提高

顧名思義，Boosting是機器學習中的一種元算法，它將幾個弱分類器轉換為健壯的分類器。增強可以進一步分為梯度增強和ADA增強或自適應增強。

特點，模型選擇和調整

2測試

1項目

學習在創建功能性機器學習模型時有用的各種概念，如模型選擇和調優、模型性能測量、正則化方法等。

• 工程特性

特征工程是將數據從原始狀態轉換為適合建模的狀態。它將數據列轉換為更能清晰地表示給定情況的特征。組件在明確地表示實體方麵的質量影響了模型在預測其行為方麵的質量。在本模塊中，您將學習特性工程涉及的幾個步驟。

• 模型選擇和調優

本模塊將根據需求評估每個單獨的模型，從而教會您哪種模型最適合架構。

• 模型性能測量

在本模塊中，您將學習如何使用模型評估指標優化機器學習模型的性能。

• 正則化線性模型

在本模塊中，您將學習避免過擬合和增加模型可解釋性的技術。

• 毫升管道

本模塊將教您如何使用ML Pipeline自動化機器學習工作流程。您可以通過在模型中修改和鏈接一係列數據來操作ML Pipeline，可以對模型進行測試和評估，以獲得積極或消極的結果。

• 引導抽樣

自舉抽樣是一種機器學習技術，通過檢查具有替換的數據集來估計人口統計數據。

• 網格搜索CV

網格搜索CV是執行超參數調優以確定任何機器學習模型的最優值的過程。模型的性能很大程度上取決於超參數的重要性。手動完成這個過程是一項乏味的任務。因此，我們使用GridSearchCV來自動調優超參數。

• 隨機搜索CV

隨機搜索CV用於超參數的自動調優，類似於網格搜索CV。隨機搜索提供隨機搜索CV，網格搜索提供網格搜索CV。

• K折交叉驗證

K-fold交叉驗證是ML中改進拒出方法的一種方法。這種方法保證了我們模型的分數不依賴於我們如何選擇火車和測試集。將數據集分成k個子集，堅持方法重複k次。

推薦係統

3測試

1項目

在這門機器學習在線課程中，我們將學習什麼是推薦係統，它們的應用，構建它們的關鍵方法——基於流行度的係統，協同過濾，奇異值分解等。

• 推薦係統簡介

顧名思義，推薦係統有助於預測一些產品的未來偏好，並向用戶推薦最適合的產品。在本模塊中，您將學習如何使用這些係統來幫助人們選擇最好的產品。

• 基於內容的推薦係統

首先，我們顯式或隱式地從用戶收集數據。然後，我們根據這些數據創建一個用戶配置文件，稍後用於向用戶提供建議。用戶根據推薦向我們提供更多的信息或采取更多的操作，提高了係統的準確性。這種技術被稱為基於內容的推薦係統。

• 基於人氣的模型

基於流行度的模型是一種基於流行度或當前趨勢的推薦係統。

• 協同過濾(用戶相似度&物品相似度)

協同過濾是一種算法的聯合使用，其中有幾種方法來識別相似的用戶或項目，從而提出最佳推薦。

• 混合模型

混合模型是多種分類模型和聚類技術的組合。在本模塊中，您將學習如何使用混合模型。

人工智能

下一個模塊是人工智能在線課程，將教我們從人工智能的介紹，帶我們超越傳統的ML進入神經網絡的領域。我們繼續使用常規表格數據中的文本和圖像等非結構化數據來訓練我們的模型。

神經網絡與深度學習導論

3測試

1項目

在這個人工智能在線課程中，我們從使用神經網絡術語背後的動機開始，並看看神經網絡的各個組成部分。安裝並熟悉TensorFlow庫，欣賞Keras的簡單性，並使用Keras為分類問題構建深度神經網絡模型。我們還將學習如何調整深度神經網絡。

• 梯度下降法

梯度下降是一個迭代過程，找到一個函數的最小值。它是一種尋找函數最小值的參數或係數的優化算法。然而，這個函數並不總是保證能找到全局最小值，並且可能會卡在局部最小值上。在這個模塊中，你將學習你需要知道的關於梯度下降的一切。

• 感知器與神經網絡導論

感知器是一個人工神經元，或者僅僅是一個生物神經元的數學模型。神經網絡是一種基於構成人類大腦的生物神經網絡的計算係統。在本模塊中，您將學習所有神經網絡的應用，並更深入地了解感知器。

• 批正常化

歸一化是一種將數據集中數字列的值更改為標準比例的技術，而不會扭曲值範圍的差異。在深度學習中，不是一開始就隻執行一次歸一化，而是在整個網絡中執行。這被稱為批處理歸一化。一層激活函數的輸出被歸一化，並作為輸入傳遞給下一層。

• 激活函數和損失函數

激活函數用於定義神經網絡從幾個輸入的輸出。損失函數是一種神經網絡誤差預測技術。

• 超參數調優

本模塊將引導您了解超參數調優所涉及的所有概念，這是人工智能訓練提供的自動模型增強器。

• 深度神經網絡

在輸入層和輸出層之間有幾個層的人工神經網絡(ANN)被稱為深度神經網絡(DNN)。在本模塊中，您將學習關於深度神經網絡的一切知識。

• 張量流和Keras神經網絡和深度學習

TensorFlow是由穀歌創建的，穀歌是一個用於數值計算和廣泛機器學習的開源庫。Keras是一個功能強大的開源API，旨在開發和評估深度學習模型。本模塊將教你如何從頭開始實現TensorFlow和Keras。這些庫在Python for AIML中被廣泛使用。

計算機視覺

3測試

2項目

在本計算機視覺課程中，我們將學習如何使用神經網絡處理和處理圖像進行圖像分類。超越簡單的神經網絡，我們還將學習更高級的架構-卷積神經網絡。

• 圖像數據簡介

本模塊將教你如何處理圖像並從中提取所有數據，這些數據可用於深度學習中的圖像識別。

• 卷積神經網絡導論

卷積神經網絡(CNN)用於圖像處理、分類、分割和許多其他應用。本模塊將幫助您了解CNN的一切。

• 著名的CNN架構

在本模塊中，您將學習您需要了解的關於幾個CNN架構的一切，如AlexNet, GoogLeNet, VGGNet等。

• 轉移學習

遷移學習是深度學習中的一個研究問題，重點是存儲訓練一個模型時獲得的知識，並將其應用到另一個模型中。

• 對象檢測

物體檢測是一種計算機視覺技術，軟件係統可以從給定的圖像或視頻中檢測、定位和跟蹤物體。人臉檢測是物體檢測的一個例子。在本模塊中，您將學習如何使用深度學習算法檢測任何對象。

• 語義分割

計算機視覺中的語義分割(也稱為密集預測)的目標是為輸入圖像的每個像素標記代表特定物體/身體的相應類。

• 實例分割

對象實例分割(Object Instance Segmentation)將語義分割提前了一步，從某種意義上說，它的目標是將多個對象與單個類區分開來。它被認為是目標檢測和語義分割任務的混合。

• 卷積的其他變體

本模塊將為您介紹卷積神經網絡(CNN)中的其他幾個基本變體。

• 度量學習

度量學習是以機器學習的方式從監督數據中學習距離度量的任務。它的重點是計算機視覺和模式識別。

• 暹羅網絡

連體神經網絡(有時稱為孿生神經網絡)是一種人工神經網絡，它包含兩個或多個相同的子網絡，這意味著它們具有相同的配置，具有相同的參數和權重。本模塊將通過比較子網絡的特征向量來幫助您找到輸入的相似性。

• 三聯體的損失

在學習投影時，輸入可以被區分，三重損失類似於度量學習。三聯體損失用於理解圖像的得分向量。您可以使用人臉描述符的分數向量來驗證歐幾裏得空間中的人臉。

自然語言處理

4測試

2項目

學習如何使用傳統的機器學習方法使用Python進行自然語言處理。然後，深入研究順序模型和最新語言模型的領域。

• NLP簡介

自然語言處理應用計算語言學來構建現實世界的應用程序，這些應用程序與包含不同結構的語言一起工作。我們試圖教計算機學習語言，然後期望它能理解語言，用合適的、有效的算法。本模塊將引導您了解NLP和所有需要了解的基本概念。

• 預處理文本數據

文本預處理是對文本數據進行清洗和預處理的方法。本模塊將教你預處理文本的所有步驟，如文本清洗，標記化，詞幹等。

• 單詞袋模型

詞袋是一種自然語言處理的文本建模技術。在技術術語中，我們可以說它是一種利用文本數據進行特征提取的方法。這種方法是從文檔中提取特性的一種靈活而直接的方法。在本模塊中，您將學習如何跟蹤單詞，忽略語法細節，詞序等。

• TF-IDF

TF是文檔中單詞的詞頻(TF)。計算這個頻率有幾種方法，最簡單的方法是一個單詞在文檔中出現的實例的原始計數。IDF是單詞在一組文檔中的逆文檔頻率(IDF)。這表明一個單詞在整個文檔集中有多常見或多罕見。它越接近0，這個單詞就越常見。

• 字格

N-gram是由n個單詞組成的序列。它們被廣泛應用於文本挖掘和自然語言處理任務。

• Word2Vec

Word2vec是一種利用兩層神經網絡高效地創建詞嵌入的方法。它由Tomas Mikolov等人於2013年在穀歌開發，以使基於神經網絡的嵌入訓練更有效，自那時起已成為開發預訓練詞嵌入的事實上的標準。

• 手套

GloVe (Global Vectors for Word Representation)是一種無監督學習算法，是一種創建詞嵌入的替代方法。它基於基於詞上下文矩陣的矩陣分解技術。

• POS標記和命名實體識別

在小學階段，我們已經學習了名詞、動詞、形容詞、副詞等不同詞性標簽之間的區別。將句子中的每個單詞與適當的詞性聯係起來稱為POS標記或POS注釋。POS標記也稱為詞類、形態類或詞法標記。NER是命名實體識別的縮寫，是處理信息提取的標準自然語言處理問題。主要目標是定位並將文本中的命名實體分類為預定義的類別，如人員、組織、地點、事件、時間表達、數量、貨幣價值、百分比等。

• 順序模型簡介

序列，顧名思義，是若幹項的有序集合。在本模塊中，您將學習如何使用NLP中的順序模型預測出現的字母或單詞。

• 神經網絡對記憶的需求

本模塊將教你在神經網絡中對內存的需求是多麼重要。

• 順序模型的類型——一對多、多對一、多對多

在本模塊中，您將學習順序模型的所有類型，如一對多、多對一和多對多。

• 循環神經網絡(RNNs)

使用順序數據或時間序列數據的人工神經網絡被稱為循環神經網絡。它可以用於語言翻譯、自然語言處理(NLP)、語音識別和圖像字幕。

• 長短時記憶(LSTM)

LSTM是一種能夠學習序列預測問題中順序依賴關係的人工循環神經網絡。

• 格勒烏

大循環單元(GRU)是RNN中的一種門控機製。在本模塊中，您將了解所有您需要了解的機製。

• lstm的應用

本模塊將介紹LSTM的所有重要應用。

• 使用LSTM進行情感分析

一種確定數據是積極的、消極的還是中性的NLP技術被稱為情緒分析。最常用的例子是Twitter。

• 時間序列分析

時間序列分析包括分析時間序列數據以提取有意義的統計數據和其他相關信息的方法。時間序列預測是根據先前觀測到的值來預測未來的值。

• 神經網絡機器翻譯

神經機器翻譯(NMT)是一種使用人工神經網絡的機器翻譯任務，它自動將一種語言的源文本轉換為另一種語言的文本。

• 高級語言模型

本模塊將教授NLP中其他幾種廣泛使用的高級語言模型。

頂石項目

在行業專家的指導下，您將在一個實時項目中動手，從向您介紹Python到人工智能和機器學習以及Python for AIML之間的所有內容。成功完成該項目將獲得人工智能和機器學習的研究生證書。

職業援助:簡曆製作和模擬麵試

這個關於人工智能和機器學習的研究生證書課程將指導你完成你的職業道路，建立你的專業簡曆，參加模擬麵試，增強你的信心，培養你完成你的專業麵試。

五大湖PG證書

獲得五大湖頂級人工智能和機器學習在線課程的研究生證書。其詳盡的課程將培養你成為一個高技能的專業人士，並幫助你在世界領先的公司找到一份工作。