Syllabus kursu uczenia maszynowego: najlepszy kurs uczenia maszynowego i sztucznej inteligencji dla poprawy umiejętności

Kurs PG Diploma upGrad jest jednym z najbardziej wszechstronnych. Obejmuje całą wiedzę o umiejętnościach, koncepcjach i narzędziach wymaganych obecnie w branży.

Syllabus ma na celu przygotowanie Cię do pracy w branży i łatwe przeprowadzanie wywiadów.

Przejrzyjmy cały sylabus, aby uzyskać szczegółowe informacje na temat naszego „Programu wykonawczego PG w uczeniu maszynowym i sztucznej inteligencji”.

Kurs podzielony jest na 8 głównych części:

1. Zestaw narzędzi do analizy danych
2. Statystyka i eksploracyjna analiza danych
3. Uczenie maszynowe-1
4. Uczenie maszynowe-2
5. Przetwarzanie języka naturalnego
6. Głęboka nauka
7. Nauka wzmacniania
8. Wdrożenie i projekt Capstone

Zestaw narzędzi do analizy danych

Ta część jest kursem przygotowawczym, który jest niezbędny do rozpoczęcia podróży w zakresie Data Science i Machine Learning. Główne wymagania to także w pewnym stopniu Python, SQL i Excel.

Ta część podzielona jest na poniżej 6 modułów:

Wprowadzenie do Pythona: Ten moduł obejmuje podstawowe tematy Pythona, zakładając brak wcześniejszej wiedzy. Zrozumienie struktury Pythona obejmuje struktury danych, takie jak listy, krotki, słowniki itp.

Python for Data Science: 2 najważniejsze biblioteki Pythona — NumPy i Pandas są szczegółowo omówione. NumPy i Pandas są niezbędne do analizy danych, czyszczenia i większości podstawowych prac związanych z Data Science.

Matematyka dla uczenia maszynowego: algebra liniowa, macierze, rachunek wielu zmiennych i wektory są omówione w tym module. Te tematy są warunkiem wstępnym zrozumienia działania algorytmów ML.

Wizualizacja danych w Pythonie: Ten moduł obejmuje dynamikę kreślenia wykresów i trendów za pomocą Pythona.

• Analiza danych przy użyciu SQL: SQL jest podstawą analizy i inżynierii danych. Ten moduł obejmuje podstawy SQL, takie jak funkcje, klauzule, zapytania i złączenia.

1. Zaawansowany SQL: Ten moduł obejmuje bardziej zaawansowane tematy, takie jak projektowanie baz danych, funkcje okien, optymalizacja zapytań itp.

Statystyka i eksploracyjna analiza danych

Statystyki i dane idą w parze. Większość analizy danych przeprowadza analizę statystyczną pod maską, którą można następnie zbadać dalej, aby uzyskać znaczące wyniki.

Ta część obejmuje poniżej 6 modułów:

1. Analityka Rozwiązywanie problemów: ten moduł obejmuje strukturę CRISP-DM w celu omówienia projektu uczenia maszynowego obejmującego od zrozumienia biznesowego po wdrożenie.
2. Zadanie inwestycyjne: zadanie analizy danych jako pracownik firmy bankowości inwestycyjnej.
3. Statystyka wnioskowa: Ten moduł obejmuje najważniejsze pojęcia statystyczne, takie jak prawdopodobieństwo, rozkłady prawdopodobieństwa i centralne twierdzenie graniczne.
4. Testowanie hipotez: co, dlaczego i jak testowanie hipotez zostało omówione w tym module. P-Value, różne rodzaje testów i implementacja w Pythonie.
5. Eksploracyjna analiza danych: EDA wydobywa informacje z danych. Ten moduł obejmuje czyszczenie danych, analizę jednowymiarową/dwuwymiarową i pochodne metryki dla ML.
6. Projekt grupowy: Studium przypadku klubu pożyczkowego, aby dowiedzieć się, którzy klienci są zagrożeni niespłacaniem pożyczek.

Uzyskaj certyfikację uczenia maszynowego z najlepszych światowych uniwersytetów. Zdobywaj programy Masters, Executive PGP lub Advanced Certificate Programy, aby przyspieszyć swoją karierę.

Uczenie maszynowe-1

Ta część obejmuje podstawy uczenia maszynowego i niektóre algorytmy. Niezbędna jest wszechstronna wiedza na ich temat, zanim zagłębimy się w bardziej zaawansowane tematy.

Składa się z 5 modułów:

1. Regresja liniowa: Ten moduł obejmuje podstawy regresji liniowej, jej założenia, ograniczenia i zastosowania przemysłowe.
2. Ocena regresji liniowej: Przypisanie prognozy ceny samochodu.
3. Regresja logistyczna: jednowymiarowa i wielowymiarowa regresja logistyczna dla klasyfikacji ML. Omówiono implementację w Pythonie, metryki oceny i aplikacje branżowe.
4. Naive Bayes: Jeden z najłatwiejszych i najskuteczniejszych algorytmów klasyfikacji. Ten moduł obejmuje podstawy twierdzenia Bayesa, klasyfikatora Naive Bayes i implementacji w klasyfikatorze Spam-Ham.
5. Wybór modelu: Ten moduł obejmuje wybór modelu, kompromis między biasem a wariancją, dostrajanie hiperparametrów i weryfikację krzyżową, które są niezbędne do sfinalizowania najlepszego modelu ML.

Uczenie maszynowe-2

Ta część obejmuje bardziej zaawansowane tematy uczenia maszynowego. Składa się z różnych typów nadzorowanych i nienadzorowanych algorytmów.

Omówionych 8 modułów to:

1. Regresja zaawansowana: Ten moduł wprowadza techniki uogólnionej regresji liniowej i regresji uregulowanej, takie jak Ridge i Lasso.
2. Support Vector Machine (opcjonalnie): Ten moduł obejmuje algorytm SVM, jego działanie, jądra i implementację.
3. Modele drzew: Podstawy modeli drzew, ich struktura, techniki dzielenia, przycinanie i zespoły tworzące Losowe Lasy są tutaj omówione.
4. Wybór modelu — rozważania praktyczne: Ten moduł zawiera praktyczne informacje na temat korzystania z technik wyboru modelu w celu wybrania najlepszego modelu.
5. Wzmacnianie: czym są słabi uczniowie i uczniowie ciągnący i jak można ich połączyć, aby stworzyć świetny model. Omówiono tutaj różne techniki Boostingu.
6. Nienadzorowane uczenie się-klastrowanie: Ten moduł przedstawia klastrowanie, jego rodzaje i implementację od podstaw.
7. Nienadzorowana analiza głównych komponentów uczenia się: Obejmuje podstawy PCA, jego działanie i implementację w Pythonie.
8. Studium przypadku rezygnacji z usług telekomunikacyjnych : Studium przypadku prognozowania rezygnacji klientów dla operatora telekomunikacyjnego.

Przetwarzanie języka naturalnego

Przetwarzanie języka naturalnego (NLP) jest samo w sobie ogromną dziedziną. W tej części NLP omówione są wszystkie elementy składowe obsługi danych tekstowych wraz z chatbotami.

W zestawie 5 modułów to:

1. Przetwarzanie leksykalne: Ten moduł obejmuje podstawy NLP, takie jak kodowanie tekstu, wyrażenia regularne, techniki przetwarzania tekstu i zaawansowane techniki leksykalne, takie jak haszowanie fonetyczne.
2. Przetwarzanie składniowe: Ten moduł obejmuje podstawy przetwarzania składniowego, różne typy analizowania tekstu, wyodrębnianie informacji i warunkowe pola losowe.
3. Przetwarzanie składniowe-przypisanie: Implementacja przetwarzania składniowego w celu zrozumienia struktury gramatycznej tekstu.
4. Przetwarzanie semantyczne: Ten moduł wprowadza przetwarzanie semantyczne, wektory i osadzania słów, techniki modelowania tematów, a następnie studium przypadku.
5. Budowanie chatbotów za pomocą Rasy: Ten moduł obejmuje najgorętsze narzędzie do tworzenia chatbotów wraz z implementacją.

Głęboka nauka

Głębokie uczenie jest szeroko stosowane w przemyśle w wielu nowatorskich aplikacjach dla różnych typów danych. W tej części omówione są wszystkie rodzaje sieci neuronowych wraz z implementacją.

Omówionych 5 modułów to:

1. Wprowadzenie do sieci neuronowych: Ten moduł obejmuje podstawy sieci neuronowych, funkcji aktywacji i sieci Feed Forward.
2. Splotowe aplikacje sieci neuronowych w przemyśle: Ten moduł szczegółowo omawia CNN, jej strukturę, warstwy i działanie. Obejmuje również różne modele transferu uczenia się, transfer stylu i wstępne przetwarzanie danych obrazu, a następnie studium przypadku.
3. Przypisanie sieci neuronowych: studium przypadku oparte na CNN.
4. Recurrent Neural Networks: Ten moduł obejmuje inny rodzaj sieci neuronowych, specjalnie używanych do danych opartych na sekwencjach – RNN i LSTM wraz z ich implementacjami.
5. Projekt sieci neuronowych: W tym module wykonasz projekt rozpoznawania gestów przy użyciu stosów sieciowych CNN i RNN.

Nauka wzmacniania

W tej części przedstawiamy inny rodzaj uczenia maszynowego – uczenie przez wzmacnianie. Poznasz podstawy, w tym klasyczne uczenie się ze wzmacnianiem, a także uczenie głębokiego wzmacniania.

Ta część obejmuje poniżej 4 moduły:

1. Klasyczna nauka o wzmacnianiu: Ten moduł obejmuje podstawy RL, takie jak proces decyzyjny Markowa, równania RL, a także metody Monte Carlo.
2. Nauka przypisania-klasycznego wzmacniania: przypisanie w kółko i krzyżyk przy użyciu RL.
3. Deep Reinforcement Learning: W tym module zagłębimy się w Deep Q Networks, ich architekturę i implementację. Obejmuje również bardziej zaawansowane tematy, takie jak metody gradientu politycznego i metody aktora krytycznego.
4. Wzmocnienie projektu szkoleniowego: zadanie do wykonania przy użyciu architektury RL.

Projekt Capstone

W tej części wykonasz swój ostateczny projekt zwieńczenia, wykorzystując całą zdobytą do tej pory wiedzę.

Ta część podzielona jest na 2 moduły:

1. Wdrożenie: ten moduł obejmuje późniejszy etap projektu uczenia maszynowego, w którym poznasz podstawy wdrażania w chmurze i PaaS, a także potoki CI/CD i podstawy platformy Docker.
2. Capstone: Ostateczny projekt zwieńczenia, który sprawi, że Twoje CV i portfolio poszybują w górę.

Zanim pójdziesz

Ten program obejmuje wszystkie wymagane podstawy i zaawansowane narzędzia oraz umiejętności, aby wejść do branży Data Science i Machine Learning. Będziesz przechodzić przez wystarczającą ilość ćwiczeń i projektów, aby upewnić się, że dobrze się nauczyłeś.

Dzięki wszystkim wyuczonym umiejętnościom możesz aktywować się na innych konkurencyjnych platformach, aby sprawdzić swoje umiejętności i zdobyć jeszcze więcej praktycznych umiejętności.