fbpx

Curs Machine Learning Fundamentals

Cu toate că acest curs abordează noțiuni introductive, nu îl recomandăm celor care sunt la prima experiență în domeniul IT. Acest curs este pentru cei care au deja cunoștințe minime de programare și se simt atrași sau au o curiozitate pentru domeniul de inteligență artificială/machine learning.

Locuri libere: Locuri: 10

Machine Learning Fundamentals – DEMO

Din - Oricând
Online
0 RON
Locuri libere: Locuri: 474

Lifetime Access +

Online
1321 RON
Locuri libere: Locuri: 2326

Annual Subscription

Online - pentru persoane fizice
321 RON
Nivel

Fundamentals

Studiu individual

6 ore/săpt.

Suport de curs scris
Materiale video

Nr. ore video

5

Limba materialului scris/video

Română/Engleză

Metode de evaluare
  • Examene de capitol
  • Examen final
Diplomă

Diplomă de promovare

Curs Demo
Înscrie-te! alege opțiune

Despre curs

Cui i se adresează cursul?

Cu toate că acest curs abordează noțiuni introductive, nu îl recomandăm celor care sunt la prima experiență în domeniul IT.

Acest curs este pentru cei care au deja cunoștințe minime de programare și se simt atrași sau au o curiozitate pentru domeniul de inteligență artificială/machine learning.

De asemenea, acest curs este potrivit și pentru persoanele ce au deja experiență în domeniul IT și vor să exploreze această ramură ce oferă perspective bune de viitor și este la mare căutare la momentul actual.

Pre-Requisites

  • Cunoștințe minime de programare funcțională și orientată pe obiect;
  • Experiență anterioară de programare într-un limbaj popular (Java, C/C++, Go etc.). Experiența cu Python este un plus;
  • Cunoștințe minime de operații cu matrici, algebră liniară, elemente de statistică și derivate (toate acestea pot ajuta la înțelegerea mult mai bună a tehnicilor de Machine Learning și pot fi însușite în timpul cursului din resurse externe).

Modalități de desfășurare a cursului:

Online – în regim self-study (individual) – Acest curs este integral dezvoltat de către Telecom Academy. Ne bazăm pe experiența cursurilor deja dezvoltate de noi în ultimii 10 ani. Tutorialele video te vor însoți la fiecare pas pentru a parcurge curricula în propriul ritm, din confortul casei tale. Vei putea accesa cursul de oriunde și oricând vei avea nevoie.

De asemenea, nu uita să instalezi aplicația de mobil Telecom Academy din Magazin Play (pentru Android) și accesează cursurile tale direct de pe telefon!

 

Și dacă simți că totuși ai nevoie de îndrumarea unui instructor, aruncă un ochi pe ORARUL claselor cu predare și înscrie-te la orice clasă disponibilă!

Contul de cursant

Ce înseamnă asta?

Dacă ești cursant nou, după procesarea plății, vei primi pe mail o solicitare de activare a contului tău și un mail de informare ca ai fost înscris/înrolat în clasa. Contul tău va fi pe cursuri.telacad.ro, pe care îl vei accesa cu adresa de e-mail și parola setate în formularul de înscriere.

Dacă ești deja cursantul nostru, după procesarea plații, vei primi confirmarea înscrierii/înrolării în clasa dorită și iți vei accesa contul cu e-mail-ul și parola deja existente.

Ce găsești aici?

  • Materialele scrise și video
  • Regulile de Promovare
  • Examenele de capitol pe care le vei susține online
  • Examen final pe care îl vei susține online
  • Catalogul cu note
  • Diploma Telecom Academy la promovarea cursului

 

Dacă încă nu ești decis că acest curs este cel potrivit pentru tine, ai la dispoziție varianta Demo a cursului direct pe platforma noastră de e-learning. Creează-ți un profil și dă start studiului!

Ce vei învăța

  • algoritmi de clasificare
  • algoritmi de regresie
  • tehnici de clustering
  • tehnici de curățare/pregătire a datelor
  • tehnici de extragere a caracteristicilor din date (prelucrarea limbajului vorbit)
  • tehnici de evaluare a modelelor
  • cum să creezi un virtual environment în Python
  • cum să vizualizezi datele
  • cum să implementezi diferiți algoritmi în Python
  • cum să antrenezi un model în Python
  • cum să realizezi pipeline-uri (procesare, antrenare, validare și salvarea modelului pentru producție)
  • cum să lucrezi cu cele mai folosite librării din sfera de Machine Learning ( ex: Numpy, nltk, scikit-learn, pandas, etc.)

Certificări

La terminarea cursului Machine Learning Fundamentals, cursantul primește diploma eliberată de către Telecom Academy care atestă faptul că acesta a absolvit cursul la Telecom Academy. Această diploma atestă cunoștințele și abilitățile dobândite pe perioada cursului și deschide calea către un proces de învățare continuu.

Deoarece domeniul este relativ nou, nu există în prezent o acreditare consacrată. Recomandarea noastră este ca, după terminarea cursului, să includeți în CV toate proiectele create în cadrul cursului. Acestea vor reprezenta garanția angajatorilor cu privire la cunoștințele de nivel basic pe care le dețineți.

Ce poți face mai departe?

Vei putea aprofunda noțiunile învățate la acest curs înscriindu-te la cursul de Deep Learning sau chiar la cel de Robotic Process Automation!

De asemenea, domeniul Data Science îți poate deschide o nouă cale de viitor în care tot mai multe date sunt analizate și prelucrate pentru a crea algoritmi cât mai avansați de instruire a unui program.

Programa

1.1 Ce înseamnă Machine Learning?

1.2 Aplicații ce folosesc Machine Learning

1.3 Tipuri de învățare

  • Procesul de învățare
  • Învățare supervizată
  • Învățare nesupervizată (Clustering)
  • One vs All

1.4 Împărțirea datelor

  • Train/Validation/Test
  • Conceptul de overftitting
  • Conceptul de underfitting
  • Metode de combatere overfitting/underfitting

1.5 Evaluarea Modelului:

  • Acuratețe, precizie și recall

2.1 Descrierea algoritmului

2.2 Funcția de cost

2.3 Ordinary Least Square

2.4 Gradient Descent

2.5 Evaluarea Modelului de Regresie

2.6 Seturi de date

3.1 Teorema lui Bayes

3.2 Pașii algoritmului

3.3 Avantaje/Dezavantaje

3.4 Sfaturi pentru a îmbunătăți algoritmul (Best practices)

4.1 N-grame (Count Vectorizer)

4.2 TFIDF

4.3 Procedeele de Stemming și Lemmatizare

4.4 Stop words și token-uri speciale

4.5 Part of Speech

5.1 Support Vector Machine

5.2 Hard margin

5.3 Soft margin

5.4 Tipuri de Kernel

5.5 Avantaje/Dezavantaje

6.1 Descrierea Algoritmului

6.2 Implementare de la zero în Python

6.3 Cum alegem parametrul ‘k’

6.4 Avantaje/Dezavantaje

Sponsori și parteneri