University of St Andrews - Online

Kursus på mellemniveau: End-to-End maskinlæring

Styrk din maskinlæringsekspertise ved at fordybe dig i mere komplekse algoritmer og applikationer i den virkelige verden.

Dette korte kursus er rettet mod professionelle, der søger at forstå de koncepter og teknologier, der ligger til grund for moderne maskinlæring.

I dette kursus lærer du om moderne maskinlæringsmetoder gennem fem emner:

• Klassificering forklarer, hvordan man bedst forudsiger diskrete klasser, for eksempel godkendelse eller afvisning af meritansøgninger.
• Træningsmodeller introducerer de metoder, der bruges til at løse det centrale optimeringsproblem: hvilken variant af en klasse af modeller har den mindste fejl?
• Træer & tilfældige skove undersøger, hvordan træmodeller kan udledes, udvides og implementeres for at producere modeller med validerede estimater af ydeevne på nye datainstanser.
• Dimensionalitetsreduktion dækker begrundelsen for og metoderne til at reducere antallet af funktioner, der anvendes i prædiktive maskinlæringsmodeller.
• Uovervåget læring undersøger, hvordan man lærer og implementerer modeller, for hvilke der ikke er nogen målvariabel.

Avanceret Python-kode leveres og forklares for hvert emne. Dine vigtigste læringsmål er at bestemme, hvilke modeller der er anvendelige for forskellige data og mål, og at udføre hyperparameterjustering eller modeludvælgelse efter behov.