Fondamenti di machine learning: un approccio di case study

Descrizione

Hai dei dati e ti chiedi cosa può dirti? Hai bisogno di una comprensione più profonda dei modi principali in cui l'apprendimento automatico può migliorare il tuo business? Vuoi essere in grado di conversare con gli specialisti su qualsiasi cosa, dalla regressione e classificazione ai sistemi di deep learning e di raccomandazione?

In questo corso, otterrai un'esperienza pratica con l'apprendimento automatico da una serie di casi studio pratici. Alla fine del primo corso avrai studiato come prevedere i prezzi delle case in base alle caratteristiche a livello di casa, analizzare il sentimento dalle recensioni degli utenti, recuperare documenti di interesse, raccomandare prodotti e cercare immagini. Attraverso la pratica con questi casi d'uso, sarai in grado di applicare metodi di apprendimento automatico in una vasta gamma di domini.

Questo primo corso tratta il metodo di apprendimento automatico come una scatola nera. Usando questa astrazione, ti concentrerai sulla comprensione delle attività di interesse, sulla corrispondenza di queste attività con gli strumenti di apprendimento automatico e sulla valutazione della qualità dell'output. Nei corsi successivi, approfondirai i componenti di questa scatola nera esaminando modelli e algoritmi. Insieme, questi pezzi formano la pipeline dell'apprendimento automatico, che userete nello sviluppo di applicazioni intelligenti.

Risultati di apprendimento: entro la fine di questo corso, sarai in grado di:
-Identificare in pratica le potenziali applicazioni dell'apprendimento automatico.
-Descrivere le differenze fondamentali nelle analisi abilitate da regressione, classificazione e clustering.
-Seleziona l'attività di apprendimento automatico appropriata per una potenziale applicazione.
-Applicare la regressione, la classificazione, il raggruppamento, il recupero, i sistemi di raccomandazione e l'apprendimento profondo.
-Rappresentano i tuoi dati come funzionalità che fungono da input per i modelli di apprendimento automatico.
-Valutare la qualità del modello in termini di metriche di errore rilevanti per ciascuna attività.
-Utilizza un set di dati per adattarlo a un modello per analizzare nuovi dati.
-Costruisci un'applicazione end-to-end che utilizza il machine learning al suo interno.
-Implementa queste tecniche in Python.