Maskinlæring ved hjælp af Python certificeringskursus
3.900,00 DKK
- 30 timer
Dette Machine Learning med Python-kursus giver et dybdegående overblik over ML-emner, herunder arbejde med realtidsdata, udvikling af overvågede og uovervågede læringsalgoritmer, regression, klassifikation og tidsseriemodellering. I dette certificeringstræningskursus i maskinlæring vil du lære at bruge Python til at lave forudsigelser baseret på data. Efter afslutningen af dette Machine Learning ved hjælp af Python-kursus, vil du modtage et certifikat, der bekræfter dine færdigheder som ekspert i maskinlæring.
Hvad er inkluderet?
Sprog
Kurset og materialet er på engelsk
Niveau
Begynder- til mellemniveau for professionelle
1 års adgang
5 timers videoindhold
Studietid
Anbefalet studietid: mindst 30 timer
Praksisser
3 afsluttende projekter og simuleringstest
Ingen eksamen
Der er ingen eksamen på kurset, men den studerende får et kursusbevis efter gennemført kursus.
Oversigt
Færdigheder:
- Superviseret og usuperviseret læring
- Lineær og logistisk regression
- KMeans-klyngedannelse
- Beslutningstræer
- Boosting- og bagging-teknikker
- Tidsseriemodellering
- SVM med kerner
- Naiv Bayes
- Random forest-klassifikatorer
- Grundlæggende principper for dyb læring
Hvad vil du lære?
Genopfriskning af matematik
Gratis kursus 1
- Sandsynlighedsregning og statistik
- Koordinatgeometri
- Lineær algebra
- Egenværdier, egenvektorer og egenværdidekomposition
- Introduktion til differential- og integralregning
Grundlæggende statistik til datavidenskab
Gratis kursus 2
- Introduktion til statistik
- Forstå dataene
- Deskriptiv statistik
- Datavisualisering
- Sandsynlighed
- Sandsynlighedsfordelinger
- Stikprøveudtagning og stikprøveteknikker
- Inferentiel statistik
- Anvendelse af inferentiel statistik
- Sammenhæng mellem variabler
- Anvendelse af statistik i erhvervslivet
- Vejledt øvelse
Introduktion
Lektion 01
Start dette forløb med at sætte dig ind i kursets opbygning og de emner, der bliver gennemgået. Det vil hjælpe dig med at være forberedt til de kommende sessioner.
Introduktion til maskinlæring
Lektion 02
Kurset dækker de grundlæggende begreber inden for maskinlæring, herunder definitionen af maskinlæring og de forskellige typer. Det går også i dybden med maskinlæringspipelinen, MLOps og AutoML og giver indsigt i, hvordan maskinlæringsmodeller sættes i drift i stor skala. Derudover introduceres de studerende til de vigtigste Python-pakker til maskinlæringsopgaver, så de kan udnytte Pythons stærke økosystem til at udvikle maskinlæringsløsninger.
Emner:
- Hvad er maskinlæring?
- Forskellige typer maskinlæring
- Maskinlæringspipeline, MLOps og AutoML
- Introduktion til Python-pakker til maskinlæring
Superviseret læring
Lektion 03
Afsnittet om superviseret læring undersøger praktiske anvendelser inden for forskellige områder og suppleres med diskussioner af metodens relevans og betydning i virkelige situationer. De studerende arbejder med praktiske aktiviteter, hvor de forbereder og tilpasser data til opgaver inden for superviseret læring, efterfulgt af diskussioner om overtilpasning og undertilpasning. Derudover tilbydes praktiske øvelser i at opdage og undgå disse problemer samt indsigt i regulariseringsteknikker, der kan optimere modellens ydeevne og reducere overtilpasning.
Emner:
- Superviseret læring
- Anvendelser af superviseret læring
- Overtilpasning og undertilpasning
- Regularisering
Regression og dens anvendelse
Lektion 04
Dette afsnit gennemgår det grundlæggende i regressionsanalyse, herunder definitionen og de forskellige typer, såsom lineær, logistisk og polynomiel regression samt ridge- og lasso-regression. Diskussionerne fremhæver de centrale forudsætninger for lineær regression, og praktiske øvelser giver konkret erfaring med lineær regressionsmodellering. Deltagerne vil også arbejde med at udforske data ved hjælp af teknikker som SMOTE-oversampling samt forberede, opbygge og evaluere regressionsmodeller for at blive fortrolige med regressionsanalyse.
Emner:
- Hvad er regression?
- Typer af regression
- Lineær regression
- Centrale forudsætninger for lineær regression
- Logistisk regression
- Oversampling med SMOTE
- Polynomiel regression
- Ridge-regression
- Lasso-regression
Klassifikation og anvendelser
Lektion 05
Dette afsnit omhandler klassifikationsalgoritmer og deres definitioner, typer og anvendelser samt valg af præstationsmål. Gennem diskussioner og vejledte øvelser får deltagerne et indgående kendskab til forskellige klassifikationsteknikker såsom Naive Bayes, stokastisk gradientnedstigning, K-nærmeste naboer, beslutningstræer, Random Forest, Boruta og støttevektormaskiner. Centrale begreber som Cohens kappa gennemgås også, efterfulgt af videnstjek, der styrker forståelsen.
Emner:
- Hvad er klassifikationsalgoritmer?
- Forskellige typer klassificering
- Anvendelsestyper og valg af ydeevneparametre
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-nabopopulationer
- Beslutningstræ Random Forest
- Boruta
- Støttevektormaskine
- Cohens kappe
Algoritmer til ikke-overvåget læring
Lektion 06
Dette afsnit introducerer de studerende til algoritmer til ikke-superviseret læring og gennemgår deres typer, anvendelser og præstationsparametre. Deltagerne arbejder med praktiske aktiviteter såsom visualisering af resultater og anvendelse af teknikker som hierarkisk klyngedannelse, K-Means-klyngedannelse og K-Medoids-algoritmen. Derudover udforsker de metoder til anomalidetektion og teknikker til dimensionsreduktion såsom hovedkomponentanalyse (PCA), singulærværdidekomposition og uafhængig komponentanalyse. Algoritmernes praktiske anvendelser demonstreres gennem vejledte øvelser, der styrker de studerendes forståelse af begreberne inden for ikke-superviseret læring.
Emner, der dækkes:
- Ikke-overvågede algoritmer
- Forskellige typer algoritmer til uovervåget læring
- Hvornår skal man bruge algoritmer til ikke-overvåget læring?
- Parametre for ydeevne
- Typer af klyngedannelse
- K-means-klyngeanalyse
- K-medoids-algoritmen
- Afvigende værdier
- Identifikation af afvigende værdier
- Hovedkomponentanalyse
- Korrespondanceanalyse og multipel korrespondanceanalyse (MCA)
- Singulærværdidekomposition
- Uafhængig komponentanalyse
- Balanceret iterativ reduktion og klyngedannelse ved hjælp af hierarkier (BIRCH)
Ensemblelæring
Lektion 07
Dette afsnit omhandler klassifikationsalgoritmer og deres definitioner, typer og anvendelser samt valg af præstationsmål. Gennem diskussioner og vejledte øvelser fordyber deltagerne sig i forskellige klassifikationsteknikker såsom Naive Bayes, stokastisk gradientnedstigning, K-nærmeste naboer, beslutningstræer, Random Forest, Boruta og støttevektormaskiner. Centrale begreber som Cohens kappa gennemgås også, efterfulgt af videnstjek, der styrker forståelsen.
Emner:
- Hvad er klassifikationsalgoritmer?
- Forskellige typer klassifikation
- Anvendelsestyper og valg af ydeevneparametre
- Naiv Bayes
- Stokastisk gradientnedstigning
- K-nabopopulationer
- Beslutningstræ Random Forest
- Boruta
- Støttevektormaskine
- Cohens kappe
Anbefalingssystemer
Lektion 08
Dette modul giver et omfattende overblik over anbefalingssystemer og udforsker deres grundlæggende principper og mekanismer. Deltagerne bliver præsenteret for forskellige anvendelsesområder og eksempler på anbefalingssystemer og får indsigt i deres design og implementering. Gennem praktiske øvelser anvender deltagerne teknikker til kollaborativ filtrering, herunder hukommelsesbaseret modellering, objektbaseret og brugerbaseret filtrering samt modelbaseret kollaborativ filtrering. Derudover udforsker de dimensionsreduktion, matrixfaktoriseringsmetoder og nøjagtighedsmatricer inden for maskinlæring for at evaluere og optimere anbefalingssystemernes ydeevne.
Emner:
- Hvordan fungerer anbefalingssystemer?
- Anvendelsesområder for anbefalingssystemer
- Eksempler på anbefalingssystemer, og hvordan de er designet ¨
- Brug af PyTorch til at bygge en anbefalingsmotor.
Industriprojekter
Ved afslutningen af kurset skal du gennemføre to projekter. Du skal bruge alt det, du har lært, og få praktisk erfaring med din nye viden.
- Projekt 1: Analyse af medarbejderafgang – Udvikl maskinlæringsprogrammer til at forudsige medarbejderafgang, herunder datakvalitetskontrol, eksplorativ dataanalyse, klyngeanalyse osv., og foreslå strategier til at fastholde medarbejdere baseret på sandsynlighedsscorer.
- Projekt 2: Segmentering af sange – Udfør eksplorativ dataanalyse og klyngeanalyse for at opdele sange i grupper.
Hvilke færdigheder vil du opnå?
Dette kursus i maskinlæring med Python vil gøre dig i stand til at:
Typer af maskinlæring
Udforsk de forskellige typer maskinlæring og deres respektive karakteristika.
Tastebetjening
Analysér maskinlæringspipelinen, og forstå de centrale driftsprocesser inden for maskinlæring (MLOps).
Superviseret læring
Lær om superviseret læring og dens mange anvendelsesmuligheder.
Pasform
Forstå begreberne overtilpasning og undertilpasning, og brug teknikker til at opdage og forebygge dem.
Regression
Analysér forskellige regressionsmodeller og deres egnethed til forskellige scenarier. Identificér lineære sammenhænge mellem variabler, og udarbejd korrelationskort.
Algoritmer
Oplist forskellige typer klassifikationsalgoritmer, og forstå deres specifikke anvendelser.
Uden opsyn
Lær at mestre forskellige metoder til uovervåget læring, og forstå, hvornår du skal bruge dem. Få en dybdegående forståelse af forskellige klyngeteknikker inden for uovervåget læring.
Modellering
Udforsk forskellige teknikker til ensemblemodellering, såsom bagging, boosting og stacking.
Sammenlign
Evaluer og sammenlign forskellige frameworks til maskinlæring, herunder TensorFlow og Keras.
PyTorch
Byg et anbefalingssystem med PyTorch
Visualisering
Oprettelse af visualiseringer med Matplotlib, Seaborn, Plotly og Bokeh.
Hvem bør tilmelde sig dette program?
En dygtig dataingeniør udvikler og vedligeholder datastrukturer og arkitekturer til indlæsning, behandling og klargøring af data til store, dataintensive applikationer. Det er en lovende karrierevej for både nyuddannede og erfarne fagfolk med en passion for data, herunder:
Dataforsker
Maskinlæringsingeniør
AI-ingeniør
Business intelligence-udvikler
Softwareingeniør
Forsker i kunstig intelligens
Ingeniør i naturlig sprogbehandling
AI-produktchef
Berettigelse
Berettigelse
Certificeringskurset i machine learning med Python er velegnet til deltagere på mellemniveau, herunder analysechefer, forretningsanalytikere, informationsarkitekter, udviklere, der ønsker at blive machine learning-ingeniører eller data scientists, samt nyuddannede, der ønsker en karriere inden for datavidenskab og machine learning.
Forudsætninger
Deltagere skal have en bachelorgrad eller en gymnasial eksamen samt forståelse for grundlæggende statistik og matematik på videregående niveau. Kendskab til programmering i Python er også en fordel. Før man starter på certificeringskurset i maskinlæring med Python, bør man have styr på indholdet i grundlæggende kurser som Python til datavidenskab, genopfriskning af matematik og grundlæggende statistik til datavidenskab.
Ofte stillede spørgsmål
Har du brug for en skræddersyet virksomhedsintern uddannelse eller gruppeuddannelse?
Anmod om et virksomhedsinternt uddannelsesprogram, der er skræddersyet specifikt til dit team. Vi tilbyder fleksible tilpasningsmuligheder, der matcher dine forretningsmål, samt konkurrencedygtige gruppepriser til større teams. Udfyld formularen nedenfor, så designer vores eksperter inden for virksomhedsuddannelse den perfekte løsning til dig.