- מפתח למידת מכונה
- אנליסט נתונים
- מהנדס נתונים
- מדען נתונים
- מומחה חיזוי
- מפתח יישומים חכמים
- מומחה סיווג
- מומחה קיבוץ
- מומחה השגת מידע
סדרה של 4 קורסים
לא נדרש ידע מוקדם
בזמן שלך
ללא סיכונים מיותרים
התמחות זו מאת חוקרים מובילים מאוניברסיטת וושינגטון מציגה בפניכם את התחום המרגש והביקוש הגבוה של למידת מכונה. דרך סדרת מקרים מעשיים, תצבורו ניסיון מעשי בתחומים מרכזיים של למידת מכונה, כולל:
תלמדו כיצד לנתח מערכות נתונים גדולות ומורכבות, ליצור מערכות שמסתגלות ומשתפרות עם הזמן, ולבנות יישומים חכמים שיכולים לבצע חיזויים מנתונים.
לומדים ייישמו ויישמו אלגוריתמים של חיזוי, סיווג, קיבוץ והשגת מידע בלמידת מכונה על מערכי נתונים אמיתיים בכל קורס בהתמחות. הם יצאו עם ניסיון מעשי בלמידת מכונה ותכנות בפייתון.
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.
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.
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!
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.
