기계 학습 과정 계획표: 기술 향상을 위한 최고의 ML 및 AI 과정

upGrad의 PG 디플로마 과정은 가장 포괄적인 과정 중 하나입니다. 현재 업계에서 요구되는 기술, 개념 및 도구에 대한 모든 지식을 다룹니다.

강의 계획은 여러분이 업계에서 준비하고 면접을 쉽게 통과할 수 있도록 설계되었습니다.

"기계 학습 및 AI의 경영진 PG 프로그램"의 적용 범위에 대한 심층 세부 정보를 위해 전체 강의 계획을 살펴보겠습니다.

이 과정은 8개의 주요 부분으로 나뉩니다:

1. 데이터 과학 도구 키트
2. 통계 및 탐색적 데이터 분석
3. 기계 학습-1
4. 기계 학습-2
5. 자연어 처리
6. 딥러닝
7. 강화 학습
8. 배포 및 캡스톤 프로젝트

데이터 과학 도구 키트

이 부분은 데이터 과학 및 기계 학습의 여정을 시작하는 데 필수적인 사전 준비 과정입니다. 주요 요구 사항은 Python, SQL 및 Excel도 어느 정도 있습니다.

이 부분은 아래의 6개 모듈로 나뉩니다.

Python 소개: 이 모듈은 사전 지식이 없다고 가정하고 핵심 Python 주제를 다룹니다. Python의 구조를 이해하고 목록, 튜플, 사전 등과 같은 데이터 구조를 다룹니다.

데이터 과학을 위한 Python: Python 의 가장 중요한 2가지 라이브러리인 NumPy와 Pandas가 심층적으로 다룹니다. NumPy와 Pandas는 데이터 분석, 정리 및 대부분의 핵심 데이터 과학 작업에 필수적입니다.

기계 학습을 위한 수학: 이 모듈에서는 선형 대수, 행렬, 다변수 미적분 및 벡터를 다룹니다. 이러한 주제는 ML 알고리즘의 작동 방식을 이해하기 위한 전제 조건입니다.

Python의 데이터 시각화: 이 모듈은 Python을 사용하여 그래프와 추세를 그리는 역학을 다룹니다.

• SQL을 사용한 데이터 분석: SQL은 데이터 분석 및 엔지니어링의 핵심입니다. 이 모듈은 함수, 절, 쿼리 및 조인과 같은 SQL의 기본 사항을 다룹니다.

1. 고급 SQL: 이 모듈은 데이터베이스 디자인, 창 기능, 쿼리 최적화 등과 같은 고급 주제를 다룹니다.

통계 및 탐색적 데이터 분석

통계와 데이터는 함께 가야 합니다. 대부분의 데이터 분석은 내부에서 통계 분석을 실행한 다음 추가로 탐색하여 중요한 결과를 얻을 수 있습니다.

이 부분은 아래의 6개 모듈을 다룹니다.

1. 분석 문제 해결: 이 모듈은 비즈니스 이해에서 배포에 이르는 기계 학습 프로젝트의 개요를 위한 CRISP-DM 프레임워크를 다룹니다.
2. 투자 할당: 투자 은행 직원으로서 데이터 분석 할당.
3. 추론 통계: 이 모듈은 확률, 확률 분포 및 중심 극한 정리와 같은 가장 중요한 통계 개념을 다룹니다.
4. 가설 테스트: 이 모듈에서는 가설 테스트의 대상, 이유 및 방법을 다룹니다. P-Value, 다양한 유형의 테스트 및 Python 구현.
5. 탐색적 데이터 분석: EDA는 데이터에서 정보를 가져옵니다. 이 모듈은 ML에 대한 데이터 정리, 일변량/이변량 분석 및 파생 메트릭을 다룹니다.
6. 그룹 프로젝트: 대출을 불이행할 위험이 있는 고객을 찾기 위한 대출 클럽 사례 연구.

세계 최고의 대학에서 머신 러닝 인증 을 배우십시오 . 석사, 이그 제 큐 티브 PGP 또는 고급 인증 프로그램을 획득하여 경력을 빠르게 추적하십시오.

기계 학습-1

이 부분에서는 머신 러닝의 기초와 일부 알고리즘을 다룹니다. 고급 주제로 뛰어 들기 전에 이에 대한 포괄적인 지식을 갖는 것이 중요합니다.

5개의 모듈로 구성되어 있습니다.

1. 선형 회귀: 이 모듈은 선형 회귀의 기본, 가정, 제한 및 산업 응용 프로그램을 다룹니다.
2. 선형 회귀 평가: 자동차 가격 예측 할당.
3. 로지스틱 회귀: ML 분류를 위한 단변수 및 다변수 로지스틱 회귀. Python 구현, 평가 지표 및 산업 응용 프로그램을 다룹니다.
4. Naive Bayes: 가장 쉽고 효과적인 분류 알고리즘 중 하나입니다. 이 모듈은 Bayes Theorem, Naive Bayes 분류기 및 Spam-Ham 분류기 구현의 기본 사항을 다룹니다.
5. 모델 선택: 이 모듈은 최상의 ML 모델을 완성하는 데 필요한 모델 선택, 편향-분산 트레이드오프, 초매개변수 조정 및 교차 검증을 다룹니다.

기계 학습-2

이 부분에서는 기계 학습의 고급 주제를 다룹니다. 다양한 유형의 감독 및 비감독 알고리즘으로 구성됩니다.

다루는 8개의 모듈은 다음과 같습니다.

1. 고급 회귀: 이 모듈에서는 Ridge 및 Lasso와 같은 일반화 선형 회귀 및 정규화 회귀 기술을 소개합니다.
2. 지원 벡터 머신(선택 사항): 이 모듈은 SVM 알고리즘, 작동, 커널 및 구현을 다룹니다.
3. 트리 모델: 트리 모델 의 기본, 구조, 분할 기술, 가지치기 및 랜덤 포레스트를 형성하는 앙상블이 여기에서 다룹니다.
4. 모델 선택 - 실제 고려 사항: 이 모듈은 모델 선택 기술을 사용하여 최상의 모델을 선택하는 실습을 제공합니다.
5. 부스팅: 약한 학습자와 문자열 학습자는 무엇이며 어떻게 함께 결합하여 훌륭한 모델을 형성할 수 있습니까? 여기에서는 다양한 부스팅 기술을 다룹니다.
6. Unsupervised Learning-Clustering: 이 모듈은 클러스터링, 클러스터링의 유형 및 구현을 처음부터 소개합니다.
7. Unsupervised Learning-Principal Component Analysis: 이것은 PCA의 기본, Python에서의 작동 및 구현을 다룹니다.
8. 통신 이탈 사례 연구: 통신 사업자의 고객 이탈을 예측하기 위한 사례 연구.

자연어 처리

자연어 처리(NLP)는 그 자체로 거대한 분야입니다. 이 NLP 부분에서는 챗봇과 함께 텍스트 데이터 처리의 모든 구성 요소를 다룹니다.

포함된 5개의 모듈은 다음과 같습니다.

1. 어휘 처리: 이 모듈은 텍스트 인코딩, 정규식, 텍스트 처리 기술 및 음성 해싱과 같은 고급 어휘 기술과 같은 NLP의 기본 사항을 다룹니다.
2. 구문 처리: 이 모듈은 구문 처리의 기본, 다양한 유형의 텍스트 구문 분석, 정보 추출 및 조건부 랜덤 필드를 다룹니다.
3. 구문 처리-할당: 텍스트의 문법 구조를 이해하기 위해 구문 처리를 구현합니다.
4. 의미론적 처리: 이 모듈은 의미론적 처리, 워드 벡터 및 임베딩, 토픽 모델링 기법에 이어 사례 연구를 소개합니다.
5. Rasa로 챗봇 구축: 이 모듈은 구현과 함께 챗봇 개발을 위한 가장 인기 있는 도구를 다룹니다.

딥러닝

딥 러닝은 다양한 유형의 데이터에 대한 많은 첨단 애플리케이션에서 업계에서 널리 사용됩니다. 이 부분에서는 구현과 함께 모든 유형의 신경망을 다룹니다.

다루는 5개의 모듈은 다음과 같습니다.

1. 신경망 소개: 이 모듈은 신경망, 활성화 기능 및 피드 포워드 네트워크의 기본 사항을 다룹니다.
2. Convolutional Neural Network-Industry Applications: 이 모듈은 CNN, 그 구조, 레이어 및 작업에 대해 자세히 다룹니다. 또한 다양한 Transfer Learning 모델, Style Transfer 및 이미지 데이터의 데이터 사전 처리에 이어 사례 연구를 다룹니다.
3. 신경망 할당: CNN 기반 사례 연구.
4. 순환 신경망: 이 모듈은 시퀀스 기반 데이터에 특별히 사용되는 또 다른 유형의 신경망인 RNN 및 LSTM과 그 구현을 다룹니다.
5. 신경망 프로젝트: 이 모듈에서는 CNN 및 RNN 네트워크 스택을 사용하여 제스처 인식 프로젝트를 수행합니다.

강화 학습

이 부분에서는 또 다른 유형의 기계 학습인 강화 학습을 소개합니다. 고전 강화 학습과 심층 강화 학습을 포함한 기본 사항을 배우게 됩니다.

이 부분은 아래의 4개 모듈을 다룹니다.

1. Classical Reinforcement Learning: 이 모듈은 Markov Decision Process, RL Equations 및 Monte Carlo Methods와 같은 RL의 기본 사항을 다룹니다.
2. 과제-고전적 강화 학습: RL을 사용한 tic-tac-toe 할당.
3. 심층 강화 학습: 이 모듈에서는 Deep Q Networks, 아키텍처 및 구현에 대해 자세히 알아보겠습니다. 또한 Policy Gradient Methods 및 Actor-Critic Methods와 같은 고급 주제를 다룹니다.
4. 강화 학습 프로젝트: RL 아키텍처를 사용하여 수행해야 하는 과제.

캡스톤 프로젝트

이 부분에서는 지금까지 얻은 모든 지식을 사용하여 최종 캡스톤 프로젝트를 만듭니다.

이 부분은 2개의 모듈로 나뉩니다.

1. 배포: 이 모듈에서는 CI/CD 파이프라인 및 Docker 기본 사항은 물론 클라우드 및 PaaS에 대한 배포 기본 사항을 배울 기계 학습 프로젝트의 후반 단계를 다룹니다.
2. 캡스톤: 이력서와 포트폴리오를 하늘로 치솟게 하는 최종 캡스톤 프로젝트.

가기 전에

이 프로그램은 데이터 과학 및 기계 학습 산업에 진입하는 데 필요한 모든 기본 및 고급 도구 및 기술을 다룹니다. 당신은 당신이 잘 배웠는지 확인하기 위해 충분한 양의 실습과 프로젝트를 겪을 것입니다.

배운 모든 기술을 사용하여 다른 경쟁 플랫폼에서 활동할 수 있을 뿐만 아니라 기술을 테스트하고 더 많은 실습을 할 수 있습니다.