人工智能與機器學習專業研究生課程:商業應用

對於希望提高人工智能和機器學習技能而沒有任何編程經驗的專業人士，這個訓練營專注於幫助您掌握入門所需的基礎知識。有了堅實的基礎，您在AI和ML方麵的學習之旅將更加流暢。

了解計算機編程的世界，以及機器中影響數據模型和處理性能的不同硬件組件

學習Python的基礎知識以加強您的編程基礎。本模塊介紹Python中的變量、數據類型、打印、輸入和輸出語句。它的設計方式使您可以立即開始解決數據分析問題

理解如何在Python中編寫和利用循環和函數。本模塊還將介紹Python中已有的函數，以及如何利用它們解決數據挑戰。有了這些基本的編程知識，您就能夠用Python設計和編寫您的第一個程序。

本模塊允許您通過實踐評估來演示利用Python編程解決數據科學和數據分析問題的能力

3測試

1項目

6案例研究

Python是AI和ML專業人員工具包中必不可少的編程語言。在本課程中，您將學習Python及其用於數據分析和計算的包的基本知識，包括NumPy、SciPy、Pandas、Seaborn和Matplotlib。

6案例研究

Python是一種廣泛使用的高級解釋性編程語言，具有簡單、易於學習的語法，突出了代碼的可讀性。
本模塊將教你如何使用Python語法來使用基本的Python基礎來執行你的第一個代碼。

NumPy是一個用於科學計算的Python包，比如處理數組，比如多維數組對象、派生對象(比如掩碼數組和矩陣)等。Pandas是一個快速、強大、靈活且易於使用的Python開源庫，用於分析和操作數據。
本模塊將讓您深入了解如何使用Pandas和NumPy來探索數據集。

探索性數據分析(EDA)本質上是統計學家講故事的一種類型。它允許我們在數據中發現模式和見解，通常使用可視化方法。
本模塊將讓你深入了解Python中的EDA和可視化工具。

Matplotlib是一個用於創建靜態動畫、交互式可視化的庫，而Seaborn是一個基於Matplotlib的Python數據可視化庫。
本模塊將讓您深入了解如何使用Matplotlib和Seaborn探索數據集。

3測試

1項目

統計學習是應用統計學的一個分支，研究機器學習，強調統計模型和不確定性的評估。這門統計學課程將作為人工智能和機器學習概念的基礎，在AI ML PG項目中學習。

通過描述和總結大量數據集來進行數據分析的研究被稱為描述性分析。它可以是一個地區的人口樣本，也可以是50名學生的成績。
本模塊將幫助您理解用於AI ML的Python描述統計。

推理統計學幫助您如何使用數據進行估計和評估理論。您將了解如何使用Python使用推理統計。

概率是一種用於研究隨機性的數學工具，就像隨機實驗中事件發生的可能性一樣。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AI ML Python中的概率和條件概率。

假設檢驗是基於觀察/調查數據進行實驗的必要的統計學習過程。
在本模塊中，您將學習用於AI和ML的假設檢驗。

卡方是統計學中使用的一種假設檢驗方法，通過它可以衡量模型與實際觀察/調查數據的比較情況。
方差分析，也稱為方差分析(ANOVA)，是AI和ML中使用的一種統計技術。您可以將觀察到的方差數據拆分為多個成分，使用方差分析進行額外的分析和測試。
本模塊將教您如何識別兩個或多個組的平均數之間的顯著差異。

2測試

1項目

4案例研究

監督機器學習旨在建立一個模型，在不確定性存在的情況下，根據證據進行預測。在本課程中，您將學習線性回歸和邏輯回歸的監督學習算法。

4案例研究

機器學習是人工智能(AI)的一個子集，它構建的應用程序可以從數據中學習，並通過無需編程的體驗自動提高其性能和準確性。
本模塊將教給你所有你需要知道的關於機器學習的介紹。

線性回歸是最流行的監督ML算法之一，用於預測分析，產生最好的結果。你可以使用這個技巧來假設自變量和因變量之間的線性關係。
本模塊將涵蓋線性回歸的所有概念。

邏輯回歸和線性回歸一樣，也是最流行的有監督的ML算法之一。它是一種簡單的分類算法，可以在自變量的輔助下預測類別因變量。
本模塊將涵蓋邏輯回歸的所有概念。

本模塊將教你如何在模型評估指標的幫助下評估機器學習模型的性能。

2測試

1項目

4案例研究

集成方法有助於提高機器學習模型的預測性能。在這門機器學習在線課程中，您將了解不同的集成方法，將幾種機器學習技術組合成一個預測模型，以減少方差、偏差或改善預測。

4案例研究

決策樹是一種有監督的ML算法，可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。

隨機森林是一種流行的有監督的ML算法。顧名思義，它由提供的數據集的幾個子集上的幾個決策樹組成。之後，它計算平均值以提高數據集的預測準確性。

在本模塊中，您將學習幾種基本的集成方法，如Bagging、Boosting和Stacking，在這些方法中，您可以增強機器學習算法的穩定性和準確性，將它們轉換為魯棒分類等。

2測試

1項目

4案例研究

模型的建立是一個迭代的過程。使用特征工程技術，以及仔細的模型選擇練習，有助於改進模型。此外，調優模型是獲得最佳結果的重要步驟。機器學習在線課程的這個模塊討論了相同的步驟和過程。

4案例研究

特征工程是將數據從原始狀態轉換為適合建模的狀態的過程。
在本模塊中，您將學習特性工程涉及的幾個步驟。

抽樣是根據統計數據檢索有關總體信息的過程。smte是合成少數過采樣技術的縮寫，它可以幫助您以平衡的方式增加數據集的總案例。
正則化用於修改ML模型，以防止過擬合並創建最優解決方案。

本模塊將讓您深入了解如何使用Pipelining自動化您的ML工作流。

本模塊將教你如何在模型評估指標的幫助下優化機器學習模型的性能。

2測試

1項目

4案例研究

無監督學習發現數據中隱藏的模式或內在結構。在這個機器學習在線課程中，您將學習常用的聚類技術，如K-Means聚類和分層聚類，以及降維技術，如主成分分析。

4案例研究

k -均值聚類是一種常用的無監督ML算法，用於解決機器學習中的聚類問題。
在本模塊中，您將學習算法如何工作並稍後實現它。
本模塊將教你算法的工作原理及其實現。

分層聚類是另一種流行的無監督ML技術或算法，用於構建集群的層次結構或樹狀結構。例如，可以將一組未標記的數據集組合到層次結構中的一個集群中。

機器學習在線課程的最後一個模塊將討論模型部署技術和使您的模型可伸縮、健壯和可再現的技術。

模型打包幫助您打包所有必要的資產，以作為web服務托管模型。它還允許您下載完整構建的Docker映像或生成映像所需的文件。

RESTful API，也稱為具象狀態傳輸，是一種使用諸如GET、PUT、POST和DELETE等HTTP請求與web服務通信的API。
Docker是最流行的工具之一，它用於在容器的幫助下創建、部署和運行應用程序。
本模塊將教授如何使用容器打包應用程序。

在本模塊中，您將學習您需要了解的關於ML模型使用的ML管道和模型可伸縮性的一切知識。

2測試

1項目

4案例研究

深度學習使用“人工神經網絡”來執行機器學習過程，該網絡由按層次排列的幾個層次組成。在這個人工智能在線課程中，您將了解人工神經網絡的基本構建模塊。在這門深度學習在線課程中，您將學習深度學習網絡如何成功地應用於數據，進行知識發現、知識應用和基於知識的預測。

4案例研究

本模塊將從介紹人工智能(AI)和深度學習開始。
人工智能是人類創造的智能實體，能夠在沒有明確指令的情況下智能地執行任務。它還能夠理性和人道地思考和行動。
深度學習是人工智能的一個子集，人工智能是一種機器學習技術，教會計算機和設備邏輯功能。

人工神經網絡(ANN)的靈感來自於人體內的生物神經元，它們在特定的環境下被激活，導致身體做出相應的反應。
在這個模塊中，你將學習到所有你需要知道的關於人工神經網絡的知識。

激活函數用於定義神經網絡從大量輸入中得到的輸出。損失函數是一種預測神經網絡誤差的技術。

穀歌創建了Tensorflow，這是一個用於數值計算和廣泛機器學習的開源庫。該庫在AI ML的Python中被廣泛使用。
本模塊將教你如何從零開始實現TensorFlow。

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。該庫在AI ML的Python中被廣泛使用。
本模塊將教你如何從零開始實現Keras。

2測試

1項目

4案例研究

下一個模塊是計算機視覺課程。本模塊將討論計算機係統使用CNN(卷積神經網絡)觀察和理解視覺效果的能力。它將使您能夠有效地處理圖像數據，以便將其饋送到cnn。

4案例研究

在本模塊中，您將通過計算機視覺的所有商業應用程序，並了解它如何影響幾個商業行業。

本模塊將教會您如何處理圖像並從中提取所有數據，在深度學習中使用這些數據進行圖像識別。

本模塊將教你如何從零開始處理卷積。

卷積神經網絡(CNN)被用於圖像處理、分類、分割和許多其他應用。本模塊將讓您從頭開始深入了解cnn。

2測試

1項目

4案例研究

NLP在線課程的這個模塊討論神經網絡的另一個有趣的實現，它圍繞使計算機能夠理解人類語言展開。你將從課文中學會理解情感。

4案例研究

本模塊將使您熟悉NLP的介紹，稍後將教授您需要了解的關於NLP的所有基本業務應用程序。
自然語言處理(NLP)應用計算語言學來構建現實世界的應用程序，這些應用程序處理由不同結構組成的語言。首先，我們教計算機學習語言，然後期望它用相關的、有效的算法來理解它們。

文本預處理是一種用於清理和準備文本數據的技術。在本模塊中，您將學習如何使用預處理文本所涉及的所有步驟來處理文本數據，例如文本清理、標記化、詞幹化等。

本模塊將向您講解如何在使用python的自然語言處理中使用各種庫處理文本數據。

情緒分析是一種NLP技術，用來檢查數據是積極的、消極的還是中性的。Twitter是情感分析最常用的例子。

1項目

人工智能和機器學習在線課程的最後一個模塊是推薦係統。許多公司使用推薦係統，這是一種選擇產品推薦給個人客戶的軟件。在本課程中，您將學習如何使用過去的產品購買和滿意度數據創建成功的推薦係統，以提供高質量的個性化推薦。

一個基於人氣的模型是一個推薦係統，它基於人氣或任何當前的趨勢模型運行。

市場籃子分析，也稱為親和力分析，是一種建模技術，它基於這樣一個理論:如果你購買了一組特定的商品，那麼你更有可能購買另一組商品。

首先，我們顯式或隱式地從用戶那裏積累數據。接下來，我們創建一個依賴於此數據的用戶配置文件，該配置文件稍後將用於用戶建議。用戶向我們提供更多的信息或采取更多基於推薦的操作，這隨後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。

協同過濾是一種算法的集體使用，其中有許多策略來識別相似的用戶或項目，從而提出最佳的推薦。

混合推薦係統是多種分類模型和聚類技術的結合。本模塊將介紹如何使用混合推薦係統。