Inteligența artificială (AI) și învățarea automată (ML) au devenit părți esențiale pentru multe organizații. Atunci când sunt utilizate în mod eficient, aceste instrumente oferă informații utile care facilitează luarea deciziilor critice și permit organizațiilor să creeze produse și servicii interesante, noi și inovatoare. Acest curs îți arată cum să aplici diverse abordări și algoritmi pentru a rezolva probleme de afaceri prin intermediul AI și ML, totul urmând în același timp un flux de lucru metodic pentru a dezvolta soluții bazate pe date.
În cadrul acestui curs, vei dezvolta soluții de inteligență artificială pentru probleme de afaceri. Vei:
- Rezolva o anumită problemă de afaceri folosind AI și ML.
- Pregăti datele pentru a le utiliza în învățarea automată.
- Vei antrena, evalua și regla un model de învățare automată.
- Construi modele de regresie liniară.
- Construi modele de prognoză.
- Construi modele de clasificare utilizând regresia logistică și k -nearest neighbor.
- Construi modele de clusterizare.
- Construi modele de clasificare și regresie utilizând arbori de decizie și structuri aleatoare.
- Construi modele de clasificare și regresie utilizând mașini de suport-vector (SVM).
- Construi rețele neuronale artificiale pentru învățarea aprofundată.
- Pune în funcțiune modele de învățare automată prin utilizarea proceselor automatizate.
- Întreține conductele de învățare automată și modele în timp ce acestea sunt în producție.
Pentru a participa la acest curs, trebuie să fii familiarizat cu conceptele care stau la baza științei datelor, inclusiv:
- Procesul general de știință a datelor și de învățare automată de la un capăt la altul: formularea problemei; colectarea și pregătirea datelor; analiza datelor; ingineria și preprocesarea datelor; antrenarea, reglarea și evaluarea unui model; și finalizarea unui model.
- Concepte statistice, cum ar fi eșantionarea, testarea ipotezelor, distribuția probabilităților, caracterul aleatoriu etc.
- Statistici de sinteză, cum ar fi media, mediana, modul, intervalul intercuartil (IQR), abaterea standard, asimetria etc.
- Grafice, diagrame, diagrame și alte metode de analiză vizuală a datelor.
Poți obține acest nivel de competențe și cunoștințe urmând cursul CertNexus Certified Data Science Practitioner (CDSP) (examen DSP-110).
De asemenea, trebuie să fi confortabil cu scrierea codului în limbajul de programare Python, inclusiv să utilizezi biblioteci fundamentale de știință a datelor Python, cum ar fi NumPy și pandas.
Lesson 1: Solving Business Problems Using AI and ML
- Topic A: Identify AI and ML Solutions for Business Problems
- Topic B: Formulate a Machine Learning Problem
- Topic C: Select Approaches to Machine Learning
Lesson 2: Preparing Data
- Topic A: Collect Data
- Topic B: Transform Data
- Topic C: Engineer Features
- Topic D: Work with Unstructured Data
Lesson 3: Training, Evaluating, and Tuning a Machine Learning Model
- Topic A: Train a Machine Learning Model
- Topic B: Evaluate and Tune a Machine Learning Model
Lesson 4: Building Linear Regression Models
- Topic A: Build Regression Models Using Linear Algebra
- Topic B: Build Regularized Linear Regression Models
- Topic C: Build Iterative Linear Regression Models
Lesson 5: Building Forecasting Models
- Topic A: Build Univariate Time Series Models
- Topic B: Build Multivariate Time Series Models
Lesson 6: Building Classification Models Using Logistic Regression and k-Nearest Neighbor
- Topic A: Train Binary Classification Models Using Logistic Regression
- Topic B: Train Binary Classification Models Using k-Nearest Neighbor
- Topic C: Train Multi-Class Classification Models
- Topic D: Evaluate Classification Models
- Topic E: Tune Classification Models
Lesson 7: Building Clustering Models
- Topic A: Build k-Means Clustering Models
- Topic B: Build Hierarchical Clustering Models
Lesson 8: Building Decision Trees and Random Forests
- Topic A: Build Decision Tree Models
- Topic B: Build Random Forest Models
Lesson 9: Building Support-Vector Machines
- Topic A: Build SVM Models for Classification
- Topic B: Build SVM Models for Regression
Lesson 10: Building Artificial Neural Networks
- Topic A: Build Multi-Layer Perceptrons (MLP)
- Topic B: Build Convolutional Neural Networks (CNN)
- Topic C: Build Recurrent Neural Networks (RNN)
Lesson 11: Operationalizing Machine Learning Models
- Topic A: Deploy Machine Learning Models
- Topic B: Automate the Machine Learning Process with MLOps
- Topic C: Integrate Models into Machine Learning Systems
Lesson 12: Maintaining Machine Learning Operations
- Topic A: Secure Machine Learning Pipelines
- Topic B: Maintain Models in Production
- CertNexus – Certified Data Science Practitioner (CDSP)
Acest curs este conceput pentru a ajuta participanții să se pregătească pentru acreditarea CertNexus® Certified Artificial Intelligence (AI) Practitioner (Examen AIP-210).