קורס אונליין – תעודה מקצועית מוסמכת בלמידת מכונה של אוניברסיטת וושינגטון

מכונות למידה: גישה של מקרה בוחן

קורס 1 • 18 שעות • 4.6 (13,442 דירוגים)

פרטי הקורס

מה תלמד

• האם יש לך נתונים ואתה תוהה מה הם יכולים לומר לך?
• האם אתה צריך הבנה מעמיקה יותר של הדרכים בהן מכונות למידה יכולות לשפר את העסק שלך?
• האם אתה רוצה להיות מסוגל לשוחח עם מומחים על כל דבר, החל מהידרציה וסיווג ועד למכונות למידה עמוקות ומערכות המלצה?

בקורס הזה, תתנסה במכונות למידה באמצעות סדרה של מקרים מעשיים. בסוף הקורס הראשון תלמד לחזות מחירי דירות על בסיס תכונות של דירות, לנתח רגשות ממשוב משתמשים, לשלוף מסמכים רלוונטיים, להמליץ על מוצרים ולחפש תמונות. באמצעות תרגול מעשי במקרים אלה, תוכל ליישם שיטות מכונות למידה במגוון רחב של תחומים.

קורס זה מתייחס למתודולוגיית מכונות למידה כמו קופסה שחורה. באמצעות אבסטרקציה זו, תתמקד בהבנת משימות רלוונטיות, בהתאמת משימות אלה לכלים של מכונות למידה ובהערכה של איכות התוצר. בקורסים הבאים תחקור את רכיבי הקופסה השחורה הזו על ידי בחינת מודלים ואלגוריתמים. יחד, רכיבים אלה יוצרים את צינור מכונות הלמידה, שתגייס לפיתוח יישומים אינטליגנטיים.

תוצאות הלמידה: בסוף קורס זה תוכל:

• לזהות יישומים פוטנציאליים של מכונות למידה בשטח.
• לתאר את ההבדלים המרכזיים בניתוחים המאפשרים על ידי הידרציה, סיווג וקלאסטרינג.
• לבחור את משימת מכונות הלמידה המתאימה ליישום פוטנציאלי.
• ליישם הידרציה, סיווג, קלאסטרינג, שליפה, מערכות המלצה ומכונות למידה עמוקות.
• להציג את הנתונים שלך כתכונות שישמשו כקלט למודלים של מכונות למידה.
• להעריך את איכות המודל מבחינת מדדי שגיאה רלוונטיים לכל משימה.
• לנצל מערך נתונים כדי להתאים מודל לניתוח נתונים חדשים.
• לבנות יישום מקצה לקצה שמשתמש במכונות למידה בליבה שלו.
• ליישם טכניקות אלה ב-Python.

כישורים שתשיג

• קטגוריה: תכנות Python
• קטגוריה: מושגי מכונות למידה
• קטגוריה: מכונות למידה
• קטגוריה: מכונות למידה עמוקות

מכונות למידה: הידרציה

קורס 2 • 22 שעות • 4.8 (5,560 דירוגים)

פרטי הקורס

מה תלמד

• מקרה בוחן - חיזוי מחירי דירות

במקרה הבוחן הראשון שלנו, חיזוי מחירי דירות, תיצור מודלים שמנבאים ערך רציף (מחיר) מתכונות קלט (שטח, מספר חדרים ואמבטיות,...). זו רק אחת מהמון הדוגמאות שבהן ניתן ליישם הידרציה. יישומים אחרים נעים בין חיזוי תוצאות בריאותיות ברפואה, מחירי מניות בתחום הפיננסים ועד לניתוח השפעות לגבי ביטויים גנטיים.

בקורס זה תחקור מודלים של הידרציה ליניארית רגולרית עבור משימות חיזוי ובחירת תכונות. תוכל להתמודד עם קבוצות תכונות מאוד גדולות ולבחור בין מודלים עם רמות שונות של מורכבות. כמו כן, תנתח את ההשפעה של היבטים שונים של הנתונים שלך - כמו חריגים - על המודלים והנבואות שבחרת. כדי להתאים את המודלים הללו, תיישם אלגוריתמים של אופטימיזציה שיכולים להתאים לקבוצות נתונים גדולות.

תוצאות הלמידה: בסוף קורס זה תוכל:

• לתאר את הקלט והפלט של מודל הידרציה.
• להשוות ולהקביל בין הטיית והווריאציה בעת מודל נתונים.
• לאמוד פרמטרים של מודל באמצעות אלגוריתמי אופטימיזציה.
• לכוון פרמטרים בעזרת אימות צולב.
• לנתח את ביצועי המודל.
• לתאר את המושג דלילות ואיך LASSO מוביל לפתרונות דלים.
• להפעיל שיטות כדי לבחור בין מודלים.
• לנצל את המודל כדי ליצור תחזיות.
• לבנות מודל הידרציה לחיזוי מחירים באמצעות מערך נתונים בתחום הדיור.
• ליישם טכניקות אלה ב-Python.

כישורים שתשיג

• קטגוריה: הידרציה ליניארית
• קטגוריה: הידרציה רידג'
• קטגוריה: לاسو (סטטיסטיקה)
• קטגוריה: ניתוח הידרציה

מכונות למידה: סיווג

קורס 3 • 21 שעות • 4.7 (3,725 דירוגים)

פרטי הקורס

מה תלמד

• מקרי בוחן: ניתוח רגשות וחיזוי דיפון הלוואות

במקרה הבוחן שלנו בניתוח רגשות, תיצור מודלים שמנבאים קלאס (רגשות חיוביים/שליליים) מתכונות קלט (תוכן הסקירות, מידע על פרופיל המשתמש,...). במקרה הבוחן השני של קורס זה, חיזוי דיפון הלוואות, תטפל בנתונים פיננסיים ותחזיק מתי הלוואה עשויה להיות מסוכנת או בטוחה עבור הבנק. משימות אלה הן דוגמאות לסיווג, אחד האזורים הנמצאים בשימוש הנרחב ביותר במכונות למידה, עם מגוון רחב של יישומים, כולל מיקוד בפרסום, גילוי ספאם, אבחון רפואי וסיווג תמונות.

בקורס זה תיצור מסווגים שמספקים ביצועים מהשורה הראשונה במגוון משימות. תכיר את הטכניקות המצליחות ביותר, הנמצאות בשימוש הנרחב ביותר בשטח, כולל הידרציה לוגיסטית, עצי החלטה והקפצה. בנוסף, תוכל לעצב וליישם את האלגוריתמים הבסיסיים שיכולים ללמוד מודלים אלה בקנה מידה, באמצעות עליית גרדיאנט סטוכסטית. תיישם טכניקות אלו על משימות מכונות למידה אמיתיות ובקנה מידה גדול. תתמודד גם עם משימות משמעותיות שתתקל בהן ביישומי ML בעולם האמיתי, כולל טיפול בנתונים חסרים ומדידת דיוק ושליפה כדי להעריך מסווג. קורס זה הוא מעשי, מלא פעילות וכולל הדמיות והמחשות כיצד הטכניקות הללו יתנהגו על נתונים אמיתיים. הכנסנו גם תכנים אופציונליים בכל מודול, המכסים נושאים מתקדמים למי שמעוניין להעמיק עוד יותר!

מטרות הלמידה: בסוף קורס זה תוכל:

• לתאר את הקלט והפלט של מודל סיווג.
• להתמודד עם בעיות סיווג בינאריות ורב-קלאסיות.
• ליישם מודל הידרציה לוגיסטית עבור סיווג בקנה מידה גדול.
• ליצור מודל לא ליניארי באמצעות עצי החלטה.
• לשפר את ביצועי כל מודל בעזרת הקפצה.
• להגדיל את השיטות שלך עם עליית גרדיאנט סטוכסטית.
• לתאר את הגבולות של ההחלטות.
• לבנות מודל סיווג כדי לחזות רגשות במערך נתונים של סקירות מוצרים.
• לנתח נתונים פיננסיים לחיזוי דיפון הלוואות.
• להשתמש בטכניקות לטיפול בנתונים חסרים.
• להעריך את המודלים שלך באמצעות מדדי דיוק-שליפה.
• ליישם טכניקות אלו ב-Python (או בשפה לבחירתך, למרות ש-Python מומלצית מאוד).

כישורים שתשיג

• קטגוריה: הידרציה לוגיסטית
• קטגוריה: סיווג סטטיסטי
• קטגוריה: אלגוריתמים לסיווג
• קטגוריה: עצי החלטה

מכונות למידה: קלאסטרינג ושליפה

קורס 4 • 17 שעות • 4.7 (2,354 דירוגים)

פרטי הקורס

מה תלמד

• מקרי בוחן: מציאת מסמכים דומים

קורא מעוניין במאמר חדשות מסוים ואתה רוצה למצוא מאמרים דומים להמליץ עליהם. מהו המושג הנכון של דמיון? יתרה מכך, מה קורה אם יש מיליוני מסמכים אחרים? כל פעם שתרצה לשלוף מסמך חדש, האם תצטרך לחפש בכל המסמכים האחרים? כיצד אתה מקבץ מסמכים דומים יחד? כיצד תוכל לגלות נושאים חדשים ומופיעים שהמסמכים עוסקים בהם?

במקרה הבוחן השלישי הזה, מציאת מסמכים דומים, ת-examine אלגוריתמים בהתבסס על דמיון לשליפה. בקורס זה, ת-examine גם ייצוגים מובנים לתיאור המסמכים בקורפוס, כולל קלאסטרינג ומודלים של חברות מעורבות, כגון הקצאה דיריכלטית סמויה (LDA). תיישם אופטימיזציה מצופה (EM) כדי ללמוד את הקלאסטרים של המסמכים, ויהיה לך דוגמה להרחיב את השיטות באמצעות MapReduce.

תוצאות הלמידה: בסוף קורס זה תוכל:

• ליצור מערכת שליפת מסמכים באמצעות k-nearest neighbors.
• לזהות מדדי דמיון שונים לנתוני טקסט.
• להפחית חישובים בחיפוש k-nearest neighbor על ידי שימוש ב-KD-trees.
• להפיק קירובים של השכנים הקרובים ביותר באמצעות hashing רגיש למקום.
• להשוות ולהקביל בין משימות למידה מפוקחות ללא פיקוח.
• לקבץ מסמכים לפי נושא באמצעות k-means.
• לתאר כיצד לבצע פרלליזציה ל-k-means באמצעות MapReduce.
• לבחון גישות קלאסטרינג הסתברותיות בשימוש במודלי תערובות.
• להתאים מודל של תערובת גאוסית באמצעות אופטימיזציה מצופה (EM).
• לבצע מודל חברות מעורבות באמצעות הקצאה דיריכלטית סמויה (LDA).
• לתאר את השלבים של דוגם גיבס וכיצד להשתמש בפלט שלו כדי לבצע מסקנות.
• להשוות ולהקביל בין טכניקות אִתחול עבור אובייקטים לא קמורים.
• ליישם טכניקות אלו ב-Python.

כישורים שתשיג

• קטגוריה: אלגוריתמים לקלאסטרינג נתונים
• קטגוריה: k-means קלאסטרינג
• קטגוריה: מכונות למידה
• קטגוריה: K-D Tree