Machine Learning Spezialisierung - Detaillierte Projektbeschreibung

Projektübersicht

Die Machine Learning Spezialisierung ist ein grundlegendes Online-Kursprojekt, das in Zusammenarbeit von DeepLearning.AI und Stanford Online erstellt wurde. Dieses anfängerfreundliche Projekt vermittelt die Grundlagen des maschinellen Lernens und wie diese Techniken zum Aufbau realer KI-Anwendungen eingesetzt werden können.

Dozenteninformationen

Dieser Spezialisierungskurs wird von Professor Andrew Ng geleitet, einem KI-Visionär, der an der Stanford University wichtige Forschung geleitet und bei Google Brain, Baidu und Landing.AI bahnbrechende Arbeit geleistet hat, um den Bereich der KI voranzutreiben.

Andrew Ng ist der Gründer von DeepLearning.AI, General Partner bei AI Fund, Mitbegründer und Vorsitzender von Coursera sowie außerordentlicher Professor an der Stanford University.

Kurshistorie und Reputation

Dieses 3-Kurs-Spezialisierungsprojekt ist eine aktualisierte Version von Andrews bahnbrechendem Machine-Learning-Kurs, der mit 4,9/5 bewertet wurde und seit seiner Einführung im Jahr 2012 von über 4,8 Millionen Lernenden besucht wurde.

Stand 2020 waren drei der beliebtesten Kurse auf Coursera von Andrew Ng: Machine Learning (Platz 1), AI for Everyone (Platz 5), Neural Networks and Deep Learning (Platz 6).

Kursstruktur

Die Spezialisierung ist in 3 Kurse unterteilt, von denen jeder ein bestimmtes Thema und eine wöchentliche Gliederung hat:

1. Supervised Machine Learning: Regression and Classification (Überwachtes maschinelles Lernen: Regression und Klassifizierung)

   • Einführung in maschinelles Lernen
   • Regression (Lineare Regression)
   • Klassifizierung (Logistische Regression)

2. Advanced Learning Algorithms (Fortgeschrittene Lernalgorithmen)

   • Neuronale Netze
   • Entscheidungsbäume
   • Random Forests
   • Boosting-Algorithmen
   • Praktische Ratschläge zur Anwendung von maschinellem Lernen

3. Unsupervised Learning, Recommenders, Reinforcement Learning (Unüberwachtes Lernen, Empfehlungssysteme, Verstärkungslernen)

   • Unüberwachte Lerntechniken
   • Empfehlungssysteme
   • Grundlagen des Verstärkungslernens

Lerndauer

Bei einer Lerngeschwindigkeit von 5 Stunden pro Woche dauert der Abschluss von Kurs 1 3 Wochen, der Abschluss von Kurs 2 4 Wochen und der Abschluss von Kurs 3 3 Wochen.

Kursinhalte im Detail

Dieser Kurs bietet eine umfassende Einführung in modernes maschinelles Lernen, einschließlich:

Überwachtes Lernen

• Multiple lineare Regression
• Logistische Regression
• Neuronale Netze
• Entscheidungsbäume

Unüberwachtes Lernen

• Clustering
• Dimensionsreduktion
• Empfehlungssysteme

Best Practices aus dem Silicon Valley

• Modellbewertung und -optimierung
• Anwendung eines datenzentrierten Ansatzes zur Leistungssteigerung
• Weitere KI- und Machine-Learning-Innovationspraktiken

Lernergebnisse

Nach Abschluss dieser Spezialisierung sind Sie in der Lage:

• Mit den gängigen Machine-Learning-Bibliotheken NumPy und scikit-learn in Python Machine-Learning-Modelle zu erstellen
• Überwachte Machine-Learning-Modelle für Vorhersage- und binäre Klassifizierungsaufgaben zu erstellen und zu trainieren, einschließlich linearer und logistischer Regression
• Neuronale Netze mit TensorFlow zu erstellen und zu trainieren, um Mehrklassenklassifizierungen durchzuführen
• Best Practices der Machine-Learning-Entwicklung anzuwenden, damit Ihre Modelle auf reale Daten und Aufgaben generalisieren können
• Entscheidungsbäume und Tree-Ensemble-Methoden, einschließlich Random Forests und Boosting Trees, zu erstellen und zu verwenden
• Unüberwachte Lerntechniken zu verwenden: einschließlich Clustering und Anomalieerkennung
• Empfehlungssysteme mit kollaborativen Filtermethoden und inhaltsbasierten Deep-Learning-Methoden zu erstellen
• Deep-Reinforcement-Learning-Modelle zu erstellen

Kursmerkmale

Zu den Merkmalen des Kurses gehören:

• Keine Vorkenntnisse in Mathematik oder ein strenger Programmierhintergrund erforderlich
• Übernahme von Kernkursinhalten – über Jahre von Millionen von Lernenden validiert – und deren leichteres Verständnis
• Vermittlung grundlegender KI-Konzepte durch intuitive visuelle Methoden, gefolgt von der Einführung des Codes und der grundlegenden Mathematik, die zur Implementierung der Algorithmen erforderlich sind

Technologiestack und Tools

Der Kurs verwendet hauptsächlich die folgenden Technologien und Tools:

# Haupt-Python-Bibliotheken
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scikit-learn
import tensorflow as tf

Zielgruppe

• Anfänger im Bereich Machine Learning
• Fachleute, die in den Bereich der KI einsteigen möchten
• Lernende, die eine Karriere im Bereich Machine Learning aufbauen möchten
• Entwickler mit grundlegenden Python-Kenntnissen

Zertifizierung und Zertifikat

Nach Abschluss des Kurses erhalten Sie ein Coursera-Zertifikat, das von der Stanford University und DeepLearning.AI gemeinsam ausgestellt wird.

Kursbewertung

Wenn Sie in den Bereich der KI einsteigen oder eine Karriere im Bereich Machine Learning aufbauen möchten, ist die neue Machine-Learning-Spezialisierung der beste Ausgangspunkt.

---

Hinweis: Dieser Kurs wird auf Englisch unterrichtet. Grundlegende Englischkenntnisse in Wort und Schrift werden empfohlen. Der Kurs bietet Untertitel und Aufgabenunterstützung und ist für Lernende weltweit geeignet.