Kurser i maskinlæring
Lær at undervise computere i at lære. Disse kurser dækker de grundlæggende begreber og værktøjer inden for maskinlæring — fra træning af modeller til evaluering af forudsigelser og udvikling af intelligente applikationer.
4.5
Bedømt efter 4 anmeldelser.
45 LærendeAllerede tilmeldt
Opnåede færdigheder:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAlgorithm Evaluation and ComparisonAlgoritmer for Multi-Armed BanditAlignment and Generalization RisksAnomaly detection evaluation Anvendelse af PyArrow APIApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningArrow-datamodelAutomated Search with scikit-learnBackward Difference CodingBagging and Random ForestsBayes' SætningBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCategorical Feature HandlingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceConcentration of MeasureConditional IndependenceConjugate PriorsContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCross-validation techniquesCurse of DimensionalityDBSCAN: håndtering af støj og uregelmæssige formerData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDatainteroperabilitetDatanormalisering og afstandsmålDatapræprocesseringDatatransformationDatavaskDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDeterminants and matrix rank Dimensionality reduction evaluation DimensionsreduktionDirectional derivatives Distance CollapseDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEigenvalues and eigenvectors Empirical Risk MinimizationEncoding Leakage PreventionEnsemble Learning FundamentalsEstimator IntrospectionEthical AI PrinciplesEvaluation Under Distribution ShiftEvolutionær optimeringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature-kodningFeature-selektionFeature-skaleringForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunctional Analysis FoundationsFunctional Analysis in MLFunktioner & MængderFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGaussian DistributionGaussian Mixture Models: probabilistisk klyngeanalyseGeneralization BoundsGeneralization in Learning TheoryGenerative Model ConnectionsGenetiske algoritmerGeometric Implications for ML AlgorithmsGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGrafrepræsentation i PythonGrafteori for MLGraph LaplaciansGraph Representation in PythonGraphSAGE-koncepterGrundlæggende GymnasiumGrundlæggende Reinforcement LearningGrundlæggende klyngeanalyse og algoritmerGrænser & DifferentiationHelmert CodingHierarkisk klyngedannelse og dendrogrammerHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparametertuningHypothesis TestingHåndtering af manglende og kategoriske dataIdentity and Access ManagementImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputation af manglende værdierInductive BiasInformation-Theoretic LossesIntegralerInterpreting Generalization BoundsIntuition om grafindlejringIsolation Forest ImplementationIsotonic RegressionJacobian matrices Jupyter Notebook ProficiencyK-Means: principper og klyngeoptimeringKernel MethodsKernel-based RegularizationKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKolmogorov–Smirnov TestKolonnebaseret datarepræsentationKovarians og eigendecompositionKunstige immunsystemerL1, L2, and Elastic Net RegularizationLabel Efficiency TechniquesLearning Curve AnalysisLeave-One-Out EncodingLighedsscorer for graferLightGBM ModelingLikelihood vs ProbabilityLinear Algebra FoundationsLineær regression med PythonLineære TransformationerLink PredictionLinkprediktionLocal Outlier Factor AnalysisLogistisk regressionLoss Function Selection and ComparisonMLOps FundamentalsManual Search MethodsMarkov Chain Monte CarloMarkov Random FieldsMaskinlæring med scikit-learnMathematical Foundations of Loss FunctionsMathematical OptimizationMatrix multiplication and transposition MatrixdekompositionMaximum-Margin SolutionsMean-CenteringMembership FunctionsMetoder til Dynamisk ProgrammeringMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Selection UtilitiesModel-Based Drift DetectionModeltræning og evalueringMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMonte Carlo-teknikkerMultinomial DistributionMultiple integralsMultivariate AnalysisMultivariate chain rule NeuroevolutionNodeklassificeringNormalization (L1, L2, Max)Normed and Banach SpacesNull-håndtering i ArrowOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimization Dynamics in RLHFOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPGM Inference and LearningPartial derivatives and gradients PartikelsværmsoptimeringPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPipeline-opbygningPlatt ScalingPolynomial CodingPopulation Stability IndexPositive Definite KernelsPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipal component analysis (PCA)Probabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsPython-klassifikationsmodellerPython-programmeringRIPPER AlgorithmRKHS FoundationsRademacher ComplexityReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasReliability DiagramsRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling Strategies in MLSandsynlighedsfordelingerSandsynlighedsreglerSerieanalyseServerless and Event-Driven DesignSolving linear systems Sparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStatistiske MålStochastic OptimizationStress Testing ML ModelsSværmintelligensTF-IDF WeightingTaylor expansions Temporal ValidationTemporal-Difference LearningTheoretical OverfittingTilfældige vandringer på graferTime Series AnalysisTime Series WindowingTree-Based ForecastingTriple Scoring FunctionsTuning af hyperparametreUdregning af outliersUncertainty-Based QueryingUniform ConvergenceVC DimensionVector Space ModelingVector and Raster Data HandlingVector operations and norms Vektorer & MatricerWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Vis mereTag en kort quiz og kom tættere på dine mål!
80,000
Eleverne har allerede gennemført kurserne med succes og anvender deres færdigheder på arbejdspladsen
92%
Brugere finder vores kurser nyttige
Kurser
Kurser
Udforsk Maskinlæring kurser og projekter
4 timer
32 kapitler
2 timer 19 kapitler
3 timer 24 kapitler
4 timer 34 kapitler
6 timer 37 kapitler
1 time 10 kapitler
1 time 9 kapitler
2 timer 12 kapitler
3 timer 31 kapitler
1 time 16 kapitler
2 timer 9 kapitler
2 timer 12 kapitler
Niveau
Lektionstype
Teknologier
kursus
Introduktion til Maskinlæring med Python
4 timer 32 kapitlerMellemniveau
Opnåede færdigheder: Maskinlæring med scikit-learn, Modeltræning og evaluering, Tuning af hyperparametre
kursus
Lineær Regression med Python
2 timer 19 kapitlerMellemniveau
Opnåede færdigheder: Lineær regression med Python, Modeltræning og evaluering
kursus
Klassifikation med Python
3 timer 24 kapitlerMellemniveau
Opnåede færdigheder: Python-programmering, Python-klassifikationsmodeller, Logistisk regression, Datapræprocessering, Modeltræning og evaluering, Hyperparametertuning
kursus
Klyngeanalyse med Python
4 timer 34 kapitlerMellemniveau
Opnåede færdigheder: Grundlæggende klyngeanalyse og algoritmer, Håndtering af manglende og kategoriske data, Datanormalisering og afstandsmål, K-Means: principper og klyngeoptimering, Hierarkisk klyngedannelse og dendrogrammer, DBSCAN: håndtering af støj og uregelmæssige former, Gaussian Mixture Models: probabilistisk klyngeanalyse
kursus
Introduktion til Reinforcement Learning med Python
6 timer 37 kapitlerAvanceret
Opnåede færdigheder: Grundlæggende Reinforcement Learning, Algoritmer for Multi-Armed Bandit, Metoder til Dynamisk Programmering, Monte Carlo-teknikker, Temporal-Difference Learning, Grundlæggende Gymnasium
kursus
Active Learning with Python
1 time 10 kapitlerMellemniveau
Opnåede færdigheder: Active Learning Fundamentals, Label Efficiency Techniques, Sampling Strategies in ML, Uncertainty-Based Querying, Committee-Based Querying, Density-Weighted Sampling, scikit-learn Active Learning Implementation, Learning Curve Analysis
kursus
Advanced Tree-Based Models with Python
1 time 9 kapitlerMellemniveau
Opnåede færdigheder: CatBoost Modeling, XGBoost Modeling, LightGBM Modeling, Model Regularization, Categorical Feature Handling, Model Interpretation, Model Blending, Deployment Best Practices
kursus
Apache Arrow og PyArrow for Data Scientists
2 timer 12 kapitlerAvanceret
Opnåede færdigheder: Kolonnebaseret datarepræsentation, Arrow-datamodel, Anvendelse af PyArrow API, Datainteroperabilitet, Null-håndtering i Arrow
kursus
Applied Hypothesis Testing & A/B Testing
3 timer 31 kapitlerBegynder
Opnåede færdigheder: Hypothesis Testing, t-test and z-test Application, Chi-Square Analysis, A/B Test Design, Experimental Data Preparation, Statistical Interpretation
kursus
Bio-inspirerede Algoritmer
1 time 16 kapitlerBegynder
Opnåede færdigheder: Evolutionær optimering, Sværmintelligens, Genetiske algoritmer, Partikelsværmsoptimering, Kunstige immunsystemer, Neuroevolution
kursus
Cloud Foundations for Data Science
2 timer 9 kapitlerAvanceret
Opnåede færdigheder: Cloud Mental Models, Cloud Compute Patterns, Cloud Storage Architectures, Data Access Patterns, Cloud Networking Concepts, Identity and Access Management, Serverless and Event-Driven Design, Cloud Data Science Workflows
kursus
Data Cleaning Techniques in Python
2 timer 12 kapitlerMellemniveau
Opnåede færdigheder: Fuzzy Matching in Python, Deduplication Algorithms, Record Linkage Techniques, Advanced Text Cleaning
Codefinity fordele
KI-assisteret læring
Omfavn fascinationen for teknologiske færdigheder! Vores KI-assistent giver feedback i realtid, personlige hints og fejlforklaringer, så du trygt kan lære.
Arbejdsområder
Med arbejdsområder kan du oprette og dele projekter direkte på vores platform. Vi har forberedt skabeloner til din bekvemmelighed
Læringsstier
Tag kontrol over din karriereudvikling og start din rejse mod at mestre den nyeste teknologi
Virkelige projekter
Virkelige projekter løfter din portefølje og viser praktiske færdigheder, der imponerer potentielle arbejdsgivere
Hvorfor Codefinity skiller sig ud
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
Codefinity
Videobaserede læringsplatforme
Codefinity
Videobaserede læringsplatforme
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
KarrieremulighederLær om de mest populære erhverv, gennemsnitslønninger og virksomheder, der aktivt søger specialister inden for dette felt.
Dataforsker
Maskinlæringsingeniør
NLP Ingeniør
Deep Learning Ingeniør
Maskinlæringsforsker
$149k
$197k
$246k
Min
Average
Max
Årlig løn
(Gennemsnit i USA)
Ansættende virksomheder
*Kilde: Glassdoor
Udvalgt af studerende fra de allerbedste skoler
Inkluderer 30 af de 30 allerbedste universiteter i USA.
Kurser i maskinlæring: Nøgleinfo og spørgsmål
Introduktion til maskinlæringskurser
Maskinlæring (ML) er et område inden for AI, der gør det muligt for maskiner at lære af data og lave forudsigelser uden eksplicit programmering. Maskinlæringskurser underviser i de grundlæggende principper for superviseret og ikke-superviseret læring, modeltræning, databehandling og evalueringsteknikker. Fra lineær regression og klassifikation til mere avancerede metoder som forstærkningslæring guider disse kurser deltagerne gennem opbygning af modeller, der kan genkende mønstre i data og forbedre sig over tid. ML anvendes i forskellige applikationer såsom anbefalingssystemer, bedrageridetektion og autonome systemer.
Fordele ved vores maskinlæringskurser
Vores kurser tilbyder praktisk, anvendelsesorienteret erfaring med virkelige datasæt, ekspertundervisning og et fleksibelt læringsmiljø. Denne solide tilgang sikrer, at de studerende ikke kun lærer teoretiske begreber, men også anvender dem i praksis.
Karrieremuligheder efter gennemførelse af maskinlæringskurser
Dimittender kan forfølge forskellige roller såsom Data Scientist, Maskinlæringsingeniør, AI-analytiker eller Forskningsforsker på tværs af brancher som finans, sundhedsvæsen, bilindustri og teknologi.
Maskinlæringskursusmuligheder
Vi tilbyder en række kurser, fra begynderkurser som ML Introduktion med scikit-learn til mere avancerede emner såsom Klassifikation med Python, Lineær Regression med Python. Du kan også følge det superviserede maskinlæringsspor for en struktureret læringsvej.
Certifikatinformation
Efter gennemførelse af et af vores maskinlæringskurser modtager de studerende et gennemførelsescertifikat, som er anerkendt i branchen og kan hjælpe med at fremme din karriere.
Hvad er maskinlæring, og hvorfor er det vigtigt?
Maskinlæring er en gren af AI, der gør det muligt for softwareapplikationer at blive mere præcise i forudsigelser uden at være eksplicit programmeret. Det er afgørende for at skabe adaptive algoritmer, der kan behandle og lære af data i realtid.
Hvor bruges maskinlæring i industrien?
Maskinlæring anvendes bredt i brancher som finans til algoritmisk handel, sundhedsvæsen til prædiktiv diagnostik, bilindustrien til selvkørende biler og i forbrugerrettede tjenester til personaliserede oplevelser.
Hvilke karrieremuligheder er der inden for maskinlæring?
Karrierer inden for maskinlæring omfatter roller som maskinlæringsingeniør, dataanalytiker, NLP-forsker samt roller inden for nye teknologier, der kræver datadrevne beslutninger.
Hvordan vælger man det rette maskinlæringskursus?
Overvej dit nuværende færdighedsniveau og dine karrieremål. Begyndere bør starte med "ML Introduktion med scikit-learn", mens dem med baggrund kan vælge mere specialiserede kurser som Klassifikation med Python og Lineær Regression med Python.
Hvad koster træning i maskinlæringskurser?
Prisen for uddannelsen afhænger af abonnementstype og varighed. For præcis og detaljeret prisinformation samt eventuelle rabatter, besøg venligst vores betalingsside.
Hvilket maskinlæringskursus er bedst egnet til begyndere?
"ML Introduktion med scikit-learn" er ideel for begyndere uden kendskab til maskinlæring og giver den grundlæggende viden, der er nødvendig for at komme videre inden for området.
Hvilke nøglekompetencer kræves for at få succes med maskinlæring?
Nøglekompetencer omfatter et solidt kendskab til statistik, programmering (Python foretrækkes), dataforståelse og evnen til at anvende matematiske modeller på virkelige problemer.
Hvordan adskiller maskinlæring sig fra kunstig intelligens med hensyn til anvendelser?
Maskinlæring er en underkategori af AI, der fokuserer på systemer, der lærer af data, mens AI omfatter et bredere spektrum af teknologier, der simulerer menneskelig intelligens. Maskinlæring er mere specifik for datadrevne algoritmer.
Hvilken indflydelse har maskinlæring på sundhedssektoren?
Maskinlæring forbedrer diagnostisk nøjagtighed, optimerer behandlingsplaner og forbedrer patientresultater gennem prædiktiv analyse og sygdomsidentifikation.
Hvilke 4 typer maskinlæring findes der?
De fire hovedtyper er superviseret læring, ikke-superviseret læring, semi-superviseret læring og forstærkningslæring.
Er Python nok til maskinlæring?
Python er tilstrækkelig til at starte med maskinlæring på grund af dets omfattende biblioteker og frameworks, men forståelse af underliggende algoritmer og matematik er afgørende for at komme videre inden for området.
Er maskinlæring stadig efterspurgt?
Ja, maskinlæring er fortsat meget efterspurgt, da virksomheder på tværs af sektorer er afhængige af datadrevne beslutninger til strategisk planlægning og innovation.
Hvad siger vores brugere
Deltag 1.5+ millioner avancerer i AI og datafærdigheder hos Codefinity
Klar til at starte?
ProBedste introduktionstilbud$12 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser
40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderUltimateAlt du behøver for at booste din karriere$25 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderTopkurser i Maskinlæring kategori
1. | Introduktion til Maskinlæring med Python |  4 timer |  32 kapitler |
2. | Lineær Regression med Python | 2 timer | 19 kapitler |
3. | Klassifikation med Python | 3 timer | 24 kapitler |
4. | Klyngeanalyse med Python | 4 timer | 34 kapitler |
5. | Introduktion til Reinforcement Learning med Python | 6 timer | 37 kapitler |
1. Introduktion til Maskinlæring med Python
Timer
Kapitler2. Lineær Regression med Python
TimerKapitler3. Klassifikation med Python
TimerKapitler4. Klyngeanalyse med Python
TimerKapitler5. Introduktion til Reinforcement Learning med Python
TimerKapitlerRelaterede emner på bloggen
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Data Science
Data Analytics
by Ruslan ShudraData Scientist
