Bilgi Teknolojileri Enstitüsü

Makine öğrenmesi çağdaş yeniliklerin arkasındaki motordur, ancak net bir yol haritası olmadan başlamak baskıcı gelebilir.Bu kurs karmaşık algoritmaları veri bilimi alanına girmek isteyen herkes için okunabilir, uygulanabilir adımlara indirir. Temel terminolojiden işlevsel modelleri kullanmaya, veri kümelerini analiz etme ve anlamlı içgörü elde etme konusunda güven kazanacaksınız. Matematik ve veri yapısının arkasındaki mantık üzerine odaklanarak, makinelerin gerçek dünya senaryolarında doğru tahminler yapmak için paternlerden nasıl öğrendiğini anlayacaksınız. Ne öğreneceksin: - Veri toplamadan tahmine kadar temel yedi adımlık makine öğrenimi çalışma akışını anlayın. - Doğrusal gerileme ve sınıflandırma modelleri de dahil olmak üzere denetimli öğrenme tekniklerini uygulayın. - Pearson’un katsayısı ve kararlılık katsayısı gibi ana model değerlendirme metrikleri. - Denetimli olmayan öğrenme kavramlarını ve tavsiye sistemlerinin arkasındaki mantığı keşfedin. - Modelin doğruluğunu artırmak için veri öncesi işleme ve özellik mühendisliğini pratik edin. - Modelleri bulut ortamlarına taşımak için modern dağıtım stratejilerini anlayın. - Model çıkışlarını temel hızlı mühendislik ve yorumlanabilirlik tekniklerini kullanarak açıklamayı öğrenin. Kurs temel tanımlamalar ve çekirdek terminoloji ile başlar ve ardından Jupyter Notebook ortamlarını kullanarak algoritmaların pratik uygulamalarına rehberlik eder.Ortak veri sorunlarını yönetmeyi ve katı analiz için veri kümelerini hazırlamayı öğreneceksiniz. Bu ders, veri biliminde daha önce hiçbir deneyimi olmayan yeni başlayanlar için tasarlanmıştır. Tüm kavramlar açıkça yazılı metin ve kod örnekleri ile açıklanmaktadır. Makine öğrenimi temellerinizi bugünden inşa etmeye başlayın.