向頂級全球學校學習，以建立準備就業的AI技能

3個測驗

1個項目

6個案例研究

Python是AI＆ML專業人士的工具套件中必不可少的編程語言。在本課程中，您將學習Python及其包裝的必需品，以進行數據分析和計算，包括Numpy，Scipy，Pandas，Seaborn和Matplotlib。

6個案例研究

Python是一種廣泛使用的高級，解釋的編程語言，具有簡單，易於學習的語法，突出了代碼可讀性。
該模塊將教您如何使用Python語法使用基本的Python基本麵來執行您的第一個代碼。

Numpy是一個用於科學計算的Python軟件包，例如使用陣列，例如多維陣列對象，派生對象（例如蒙版數組和矩陣）等。Pandas是一個快速，功能，靈活，易於使用的開源庫在Python中分析和操縱數據。
該模塊將使您深入了解使用Pandas和Numpy探索數據集。

探索性數據分析或EDA實質上是統計學家的一種講故事。它使我們能夠在數據中發現模式和洞察力，通常使用視覺方法。
該模塊將使您深入了解Python和可視化工具中的EDA。

Matplotlib是一個創建靜態動畫，交互式可視化的庫，而Seaborn是Python中基於matplotlib的數據可視化庫。
該模塊將使您對使用Matplotlib和Seaborn探索數據集有深入的了解。

3個測驗

1個項目

統計學習是應用機器學習，強調統計模型和評估不確定性的應用統計分支。該統計學課程將作為在此AI ML PG計劃中學到的人工智能和機器學習概念的基礎。

通過描述和總結眾多數據集的數據分析研究稱為描述性分析。它可以是一個地區人口的樣本，也可以是50名學生獲得的分數。
該模塊將幫助您了解AI ML的Python中的描述性統計信息。

推論統計數據可幫助您如何使用數據進行估計和評估理論。您將知道如何使用Python處理推論統計信息。

概率是用於研究隨機性的數學工具，例如在隨機實驗中發生事件的可能性。條件概率是事件發生的可能性，但也發生了其他幾個事件。
在此模塊中，您將了解AI ML的Python中的概率和條件概率。

假設檢驗是根據觀察到的/調查的數據進行實驗的必要統計學習程序。
您將學習該模塊中AI和ML使用的假設測試。

卡方是統計中使用的一種假設測試方法，您可以在其中測量模型與實際觀察到的數據進行比較。
方差分析（也稱為ANOVA）是AI和ML中使用的統計技術。您可以將觀察到的方差數據分為許多組件，以進行其他分析和使用ANOVA測試。
該模塊將教您如何確定兩個或多個組的平均值之間的顯著差異。

2個測驗

1個項目

4個案例研究

監督的機器學習旨在建立一個模型，該模型根據不確定性存在的證據進行預測。在本課程中，您將了解線性回歸和邏輯回歸的監督學習算法。

4個案例研究

機器學習是人工智能（AI）的子集，它構建了從數據中學習的應用程序，並通過體驗自動提高其性能和準確性而不會被編程。
該模塊將教您有關機器學習介紹所需的一切。

線性回歸是用於預測分析的最流行的監督ML算法之一，從而產生最佳結果。您可以使用此技術在自變量和因變量之間假設線性關係。
您將介紹該模塊中線性回歸的所有概念。

邏輯回歸也是最受歡迎的監督ML算法之一，例如線性回歸。這是一種簡單的分類算法，您可以在其中預測具有獨立變量幫助的分類因變量。
您將涵蓋本模塊中的所有邏輯回歸概念。

該模塊將教您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個測驗

1個項目

4個案例研究

合奏方法有助於提高機器學習模型的預測性能。在此機器學習在線課程中，您將了解不同的集合方法，這些方法將多個機器學習技術結合到一個預測模型中，以減少差異，偏見或改善預測。

4個案例研究

決策樹是一種監督的ML算法，用於分類和回歸問題。它是一個層次結構，內部節點指示數據集特征，分支表示決策規則，每個葉節點表示結果。

隨機森林是一種受歡迎的監督ML算法。顧名思義，它包括提供的幾個數據集子集上的幾個決策樹。後來，它計算出增強數據集預測精度的平均值。

在此模塊中，您將學習幾種基本的合奏方法，例如包裝，增強和堆疊，在這裏您可以增強機器學習算法的穩定性和準確性，將它們轉換為強大的分類，等等。

2個測驗

1個項目

4個案例研究

建造模型是一個迭代過程。采用功能工程技術以及仔細的模型選擇練習，有助於改善模型。此外，調整模型是獲得最佳結果的重要步驟。機器學習在線課程的模塊討論了相同的步驟和流程。

4個案例研究

功能工程是將數據從原始狀態轉換為適合建模的狀態的過程。
您將學習該模塊中功能工程涉及的幾個步驟。

抽樣是檢索有關統計基於人口的信息的過程。Smote代表合成少數民族過采樣技術，這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模型以防止過度擬合並創建最佳解決方案。

該模塊將使您深入了解使用管道上的ML工作流程。

該模塊將教您如何借助模型評估指標來優化機器學習模型的性能。

2個測驗

1個項目

4個案例研究

無監督的學習在數據中發現隱藏的模式或內在結構。在此機器學習在線課程中，您將了解常用的聚類技術，例如K-均值聚類和分層聚類以及縮小尺寸降低技術，例如主成分分析。

4個案例研究

K-均值聚類是一種流行的無監督ML算法，用於解決機器學習中的聚類問題。
在此模塊中，您將學習算法的工作原理，然後再實施。
該模塊將教您算法及其實現的工作。

分層聚類是另一種流行的無監督ML技術或算法，用於構建簇的層次結構或樹狀結構。例如，您可以將未標記數據集的列表組合到層次結構中的群集中。

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技術，以使您的模型可擴展，健壯和可重現。

模型包裝可幫助您包裝所有必要的資產，以托管模型作為Web服務。它還使您可以下載完全構建的Docker映像或製作文件所需的文件。

RESTFUL API，也稱為代表性狀態轉移，是一種使用HTTP請求，例如GET，PUT，POST和DELETE與Web Services進行通信。
Docker是最受歡迎的工具之一，用於借助容器來創建，部署和運行應用程序。
該模塊將教如何使用容器包裝應用程序。

在此模塊中，您將了解有關ML模型使用的ML管道和模型可伸縮性所需的所有信息。

2個測驗

1個項目

4個案例研究

深度學習使用“人工神經網”進行機器學習過程，該過程由層次結構中的幾個級別組成。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塊。在這個深入學習的在線課程中，您將了解如何成功地將深度學習網絡應用於知識發現，知識應用和基於知識的預測。

4個案例研究

該模塊將從人工智能（AI）和深度學習的介紹開始。
AI是由人類創建的智能實體，能夠在不明確指導的情況下智能執行任務。它還有能力在理性和人文上思考和行動。
深度學習是人工智能的一個子集 - 一種機器學習技術，可以教授計算機和設備邏輯功能。

人工神經網絡（ANN）受人體內部的生物神經元的啟發，在某些情況下激活，導致人體采取的相關動作。
您將學習有關此模塊中人工神經網絡所需的所有信息。

激活函數用於定義來自眾多輸入的神經網絡的輸出。損失函數是一種神經網絡預測誤差的技術。

Google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Python中廣泛用於AI ML。
該模塊將教您如何從頭開始實現TensorFlow。

Keras是一個強大的開源API，旨在開發和評估深度學習模型。該庫在Python中廣泛用於AI ML。
該模塊將教您如何從頭開始實現Keras。

2個測驗

1個項目

4個案例研究

下一個模塊是計算機視覺課程。該模塊將反思計算機係統使用CNN（並發神經網絡）觀察和理解視覺效果的能力。它將使您能夠有效處理圖像數據，以進食CNN。

4個案例研究

在此模塊中，您將驅動計算機視覺的所有業務應用程序，並了解它如何影響多個商業行業。

該模塊將教您如何處理圖像並從中提取所有數據，您可以在其中使用數據進行深度學習中的圖像識別。

該模塊將教您如何從頭開始進行卷積。

卷積神經網絡（CNN）用於圖像處理，分類，細分和許多其他應用。該模塊將使您從頭開始對CNN有深入的了解。

2個測驗

1個項目

4個案例研究

NLP在線課程的這個模塊討論了神經網絡的另一個有趣的實現，該實現圍繞著計算計算機以理解人類語言。您將學會從文本中了解情感。

4個案例研究

該模塊將使您對NLP的介紹感到滿意，以後，教您有關NLP需要了解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應用，這些應用程序與包括不同結構組成的語言一起使用。首先，我們教計算機學習語言，然後期望通過相關，有效的算法理解它們。

文本預處理是一種用於清潔和準備文本數據的技術。在此模塊中，您將學習如何使用預處理文本（例如文本清潔，令牌化，詞幹等）中涉及的所有步驟來處理文本數據。

該模塊將使用Python的自然語言處理中的各種庫來講授您處理文本數據。

情感分析是一種NLP技術，用於檢查數據是正，陰性還是中性的。Twitter是最常用的情感分析示例。

1個項目

該人工智能和機器學習在線課程中的最後一個模塊是推薦係統。許多公司都使用推薦係統，這些軟件是為個人推薦產品的軟件。在本課程中，您將學習如何生產成功的推薦係統，這些係統使用過去的產品購買和滿意度數據來提出高質量的個性化建議。

基於普遍的模型是推薦係統，該係統根據受歡迎程度或任何當前趨勢模型運行。

市場籃分析（也稱為親和力分析）是一種基於以下理論：如果您購買特定的物品，那麼您可能會購買另一組項目。

首先，我們從用戶明確或隱式地積累數據。接下來，我們創建一個取決於此數據的用戶配置文件，後來用於用戶建議。用戶為我們提供了更多信息或采取更多基於建議的操作，從而提高了係統的準確性。該技術稱為基於內容的推薦係統。

協作過濾是算法的集體使用，其中有許多策略來識別類似的用戶或項目以建議最佳建議。

混合建議係統是眾多分類模型和聚類技術的組合。該模塊將為您講授如何使用混合推薦係統。