Tworzenie modeli uczenia maszynowego

  • Ścieżka nauki
  • 6 Moduły

Na pierwszy rzut oka

Uczenie maszynowe to podstawa modelowania predykcyjnego i sztucznej inteligencji. Poznaj wybrane podstawowe zasady uczenia maszynowego oraz sposób trenowania, oceniania i używania modeli uczenia maszynowego za pomocą popularnych narzędzi i struktur.

Warunki wstępne

W tej ścieżce szkoleniowej założono znajomość podstawowych pojęć matematycznych. Pomocne będzie też doświadczenie z językiem Python.

Moduły w tej ścieżce nauki

Wprowadzenie do pojęć związanych z uczeniem maszynowym

Uczenie maszynowe jest podstawą dla większości nowoczesnych rozwiązań sztucznej inteligencji. Znajomość podstawowych pojęć, na których opiera się uczenie maszynowe, jest ważnym fundamentem do zrozumienia sztucznej inteligencji.

Eksplorowanie i analizowanie danych za pomocą języka Python

Eksploracja i analiza danych jest podstawą nauki o danych. Analitycy danych potrzebują umiejętności w językach programowania, takich jak Python, aby eksplorować, wizualizować i manipulować danymi.

Trenowanie i ocenianie modeli regresji

Regresja jest często używanym rodzajem uczenia maszynowego do przewidywania wartości liczbowych.

Trenowanie i ocenianie modeli klasyfikacji

Klasyfikacja to rodzaj uczenia maszynowego używany do kategoryzowania elementów w klasach.

Trenowanie i ocenianie modeli klastrowania

Klastrowanie to typ uczenia maszynowego używany do grupowania podobnych elementów w klastry.

Trenowanie i ocenianie modeli uczenia głębokiego

Uczenie głębokie to zaawansowana forma uczenia maszynowego, która emuluje sposób, w jaki ludzki mózg uczy się za pośrednictwem sieci połączonych neuronów.

Rozpocznij