IBM 機器學習專業證書

為從事機器學習工作做好準備. 在不到 3 個月的時間內獲得緊缺技能和實踐經驗，為就業做好準備。

關於此專業課程

為在機器學習領域就業做好準備。在本課程中，您將學習人工智慧和機器學習等稀缺技能，在不到 3 個月的時間內為就業做好準備。

機器學習是對電腦系統的使用和開發，這些系統能夠透過使用演算法和統計模型來分析資料中的模式並從中得出推論，從而進行學習和適應。機器學習是人工智慧（AI）的一個分支，透過學習電腦來模仿人類智能，從而解決複雜的任務。精通機器學習的人可擔任的職位包括機器學習工程師、NLP 科學家和資料工程師。

本專業的課程包括對與機器學習相關的主要演算法、用途和最佳實踐進行紮實的理論理解和大量實踐。涵蓋的主題包括監督和非監督學習、迴歸、分類、聚集、深度學習和強化學習。

您將使用一些最相關的開源框架和程式庫來追蹤和編碼自己的專案，並透過完成最後的總整專案來應用您在各門課程中學到的知識。

結業後，您將獲得專案組合和 IBM頒發的專業證書，以展示您的專業知識。您還將獲得 IBM 數位徽章，並獲得職業資源以幫助您求職，包括模擬面試和履歷表支援。

到官方網站了解本課程與上課

應用的學習專案

本專業證書非常注重培養實際技能，幫助您在機器學習和深度學習領域取得職業發展。所有課程都包括一系列動手實驗室和總整專案，幫助您專注於自己感興趣的特定專案。在本專業證書的學習過程中，您將接觸到一系列工具、函式庫、雲端服務、資料集、演算法、作業和專案，從而掌握在機器學習工作中使用的實用技能。

你將學到的技能

工具 : Jupyter 筆記本和 Watson Studio
程式庫 : Pandas、NumPy、Matplotlib、Seaborn、ipython-sql、Scikit-learn、ScipPy、Keras 和 TensorFlow。
演算法：監督與非監督學習、迴歸、分類、聚類、線性迴歸、嶺迴歸、機器學習 (ML) 演算法、決策樹、集合學習、存活分析、K-means 聚類、DBSCAN、降維

你將獲得的技能：

集合學習	線性迴歸	機器學習
功能工程	嶺迴歸	統計假設檢定
機器學習 (ML) 演算法	監督學習	迴歸學習
探索性資料分析	人工智慧（AI）	決策樹

字幕

英文

製作方

IBM

通過開放式混合雲平台和AI，IBM 是業務轉型的全球領導者，為全球 170 多個國家/地區的客戶提供服務。如今，《財富》 50強公司中有 47 家依靠 IBM Cloud 來運營業務，而 IBM Watson 企業 AI 則在 30,000 多個專案中努力工作。 IBM 也是世界上最重要的企業研究組織之一，連續 28 年處於專利領導地位。最重要的是，在信任和透明性原則以及對更具包容性的社會的支持的指導下，IBM 致力於成為負責任的技術創新者和造福世界的力量。

第 1 門課程機器學習的探索性資料分析

本課程是 IBM 機器學習專業證書的第一門課程，向您介紹機器學習和專業證書的內容。在本課程中，您將認識到優質數據的重要性。您將學習檢索資料、清理資料、應用特徵工程的常用技術，並為初步分析和假設檢定做好準備。課程結束時，您應該能夠：從多個資料來源檢索資料：SQL、NoSQL 資料庫、API、雲端描述和使用常見的特徵選擇和特徵工程技術處理分類和順序特徵以及缺失值使用各種技術檢測和處理異常值闡述特徵縮放的重要性，並使用各種縮放技術誰應該參加本課程？

本課程針對有志於在商業環境中獲得機器學習和人工智慧實務經驗的資料科學家。您應具備哪些技能？要充分利用本課程，您應熟悉 Python 開發環境中的編程，並對微積分、線性代數、機率論和統計學有基本了解。

你將獲得的技能：

聚類分析	降維	無監督學習
功能工程	主成分分析（PCA）	K 平均值聚類

第 2 門課程有監督的機器學習：迴歸

本課程將向您介紹有監督機器學習的主要建模類型之一：迴歸。您將學習如何訓練迴歸模型來預測連續結果，以及如何使用誤差指標來比較不同的模型。本課程還將引導您了解最佳實踐，包括訓練和測試拆分以及正規化技術。在課程結束時，您應該能夠：區分分類和迴歸在有監督機器學習中的用途和應用描述和使用線性迴歸模型使用各種誤差指標來比較和選擇最適合您的數據的線性迴歸模型闡明正則化為何有助於防止過擬合使用正規化迴歸：Ridge、LASSO 和Elastic net 誰應該學習本課程？本課程針對有志於在商業環境中獲得監督機器學習迴歸技術實務經驗的資料科學家。您應該具備哪些技能？要充分利用本課程，您應該熟悉 Python 開發環境中的編程，並對資料清理、探索性資料分析、微積分、線性代數、機率論和統計學有基本的了解。

你將獲得的技能：

集合學習	機器學習 (ML) 演算法	監督學習
分類演算法	決策樹

第 3 門課程有監督的機器學習：分類

本課程將向您介紹有監督機器學習的主要建模類型之一：分類。您將學習如何訓練預測模型來對分類結果進行分類，以及如何使用誤差指標來比較不同的模型。本課程的實踐部分著重於使用分類的最佳實踐，包括訓練和測試拆分，以及處理具有不平衡類別的資料集。

在課程結束時，您應該能夠： -區分分類和分類集合的用途和應用-描述和使用邏輯迴歸模型-描述和使用決策樹和樹集合模型-描述和使用其他分類集合方法-使用各種誤差指標來比較和選擇最適合您資料的分類模型-使用過度採樣和不足採樣技術來處理資料集中的不平衡類別誰應該參加本課程？
本課程針對有志於在商業環境中獲得監督機器學習分類技術實務經驗的資料科學家。您應具備哪些技能？要充分利用本課程，您應熟悉 Python 開發環境中的編程，並對資料清理、探索性資料分析、微積分、線性代數、機率論和統計學有基本的了解。

你將獲得的技能：

keras

人工神經網絡	強化學習	機器學習
深度學習	無監督機器學習

第 4 門課程無監督機器學習

本課程將向您介紹機器學習的主要類型之一：無監督學習。您將學習如何從沒有目標或標註變數的資料集中找到洞察力。您將學習幾種用於無監督學習的聚類和降維演算法，以及如何選擇最適合您資料的演算法。本課程的實踐部分側重於使用無監督學習的最佳實踐。在本課程結束時，您應該能夠：解釋適合無監督學習方法的問題類型解釋維度詛咒，以及它如何使具有許多特徵的聚類變得困難描述和使用常見的聚類和降維演算法在適當的情況下嘗試聚類點，比較每個聚類模型的性能了解描述聚類特徵的相關指標誰應該學習本課程？

本課程針對有志於在商業環境中獲得無監督機器學習技術實務經驗的資料科學家。您應具備哪些技能？要充分利用本課程，您應熟悉 Python 開發環境中的編程，並對資料清理、探索性資料分析、微積分、線性代數、機率論和統計學有基本的了解。

你將獲得的技能：

人工神經網絡	強化學習	機器學習
深度學習	keras

第 5 門課程深度學習與強化學習

本課程將向您介紹機器學習領域最熱門的兩個學科：深度學習和強化學習。深度學習是機器學習的一個子集，在監督學習和非監督學習中都有應用，並且經常被用來支援我們日常使用的大多數人工智慧應用。首先，您將了解作為深度學習基礎的神經網路背後的理論，以及深度學習的幾種現代架構。當你開發了幾個深度學習模型後，課程將重點放在強化學習（Reinforcement Learning），這是一種最近受到更多關注的機器學習類型。雖然目前強化學習只有少數實際應用，但它是人工智慧中一個很有前景的研究領域，在不久的將來可能會變得有意義。本課程結束後，如果您已經按順序學習了IBM 專業課程，那麼您將對機器學習的主要類型有相當多的實踐和紮實的理解，這些類型包括：監督學習、非監督學習、無監督學習：在本課程結束時，您應該能夠：解釋適合無監督學習方法的問題類型解釋維度詛咒，以及它如何使具有許多特徵的聚類變得困難描述和使用常見的聚類和降維演算法在適當的情況下嘗試聚類點，比較每個聚類模型的性能了解描述聚類特徵的相關指標誰應該學習本課程？

本課程針對有志於獲得深度學習和強化學習實務經驗的資料科學家。您應該具備哪些技能？要充分利用本課程，您應該熟悉 Python 開發環境中的編程，並對資料清理、探索性資料分析、無監督學習、監督學習、微積分、線性代數、機率論和統計學有基本的了解。