Contents
#BreakIntoAI 與機器學習專業課。在 AI 遠見者 Andrew Ng 的適合初學者的 3 門課程中掌握基本的 AI 概念並發展實用的機器學習技能
關於此專業課程:
機器學習專業是 DeepLearning.AI 和史丹佛在線合作創建的基礎線上課程。這個適合初學者的計畫將教你機器學習的基礎知識以及如何使用這些技術來構建現實世界的 AI 應用程式。
本專業由 Andrew Ng 教授,他是一位 AI 遠見者,曾在史丹佛大學領導過重要研究,並在 Google Brain、百度和 Landing.AI 開展了開創性工作,以推動 AI 領域的發展。
這門 3 門課程的專業化課程是 Andrew 開創性機器學習課程的更新版本,自 2012 年推出以來,評分為 4.9 分(滿分 5 分),已有超過 480 萬學習者學習。
它廣泛介紹了現代機器學習,包括監督學習(多元線性迴歸、邏輯迴歸、神經網路和決策樹)、無監督學習(聚類、降維、推薦系統)以及在矽谷使用的一些最佳實踐的人工智慧和機器學習創新(評估和調整模型,採用以數據為中心的方法來提高性能等等。)
在完成本專業課程時,你將掌握關鍵概念並獲得實用知識,以快速有效地將機器學習應用於具有挑戰性的現實問題。如果你希望進入 AI 領域或在機器學習領域建立職業生涯,那麼此機器學習專業課是最好的起點。
你將學到的內容:
- 使用 NumPy 和 scikit-learn 建構 ML 模型,建構和訓練用於預測和二元分類任務(線性、邏輯迴歸)的監督模型
- 使用 TensorFlow 建構和訓練神經網路以執行多類分類,以及建構和使用決策樹和樹集成方法(tree ensemble methods )
- 將最佳實踐應用於 ML 開發並使用無監督學習技術( unsupervised learning techniques )進行無監督學習,包括聚類和異常檢測
- 使用協同過濾方法和基於內容的深度學習方法建構推薦系統並建構深度強化學習模型
你將獲得的技能:
決策樹 | 人工神經網路 | 邏輯迴歸 |
推薦系統 | 線性迴歸 | 正規化以避免過度彌合 |
應用的學習專案
經由本專業課,你將準備好:
- 使用流行的機器學習程式庫 NumPy 和 scikit-learn 在 Python 中建構機器學習模型。
- 為預測和二元分類任務建構和訓練監督機器學習模型,包括線性迴歸和邏輯迴歸。
- 使用 TensorFlow 建構和訓練神經網路以執行多類分類。
- 應用機器學習開發的最佳實踐,使你的模型泛化到現實世界中的資料和任務。
- 構建和使用決策樹和樹集成方法,包括隨機森林和增強樹。
- 使用無監督學習技術進行無監督學習:包括聚類和異常檢測。
- 使用協同過濾方法和基於內容的深度學習方法建構推薦系統。
- 建構深度強化學習模型。
字幕
英文
製作方
DeepLearning.AI
DeepLearning.AI 是一家開發全球人工智慧人才社區的教育技術公司。
DeepLearning.AI 以 Andrew Ng 等專家為主導的教育體驗為人工智慧從業者和非技術專業人士提供了從基礎知識到高級應用程式的必要工具,使他們能夠構建人工智慧驅動的未來。

史丹佛大學 ( Stanford University )
The Leland Stanford Junior University 通常被稱為 Stanford University 或 Stanford, ,是美國私立研究型大學,位於美國加利福尼亞州帕洛阿爾托附近的一個佔地8,180英畝(3,310公頃)的加州 Stanford。
第 1 課 監督機器學習:迴歸和分類
在機器學習專業化的第一門課程中,你將:
- 使用流行的機器學習程式庫 NumPy 和 scikit-learn 在 Python 中建構機器學習模型。
- 為預測和二元分類任務建構和訓練監督機器學習模型,包括線性迴歸和邏輯迴歸
第 2 課 高級學習演算法
在機器學習專業化的第二門課程中,你將:
- 使用 TensorFlow 構建和訓練神經網絡以執行多類分類
- 應用機器學習開發的最佳實踐,使你的模型泛化到現實世界中的資料和任務
- 建構和使用決策樹和樹集成方法,包括隨機森林和提升樹( boosted trees )
第 3 課 無監督學習、推薦系統、強化學習
在機器學習專業化的第三門課程中,您將:
- 使用無監督學習技術進行無監督學習:包括聚類和異常檢測。
- 使用協同過濾方法和基於內容的深度學習方法建構推薦系統。
- 建構深度強化學習模型。
到官方網站了解本課程與上課


發表迴響