Dedika je platforma za učenje skozi prakso: na primer, kako pripraviti poslovno ponudbo, postati manikerka ali uporabljati novo orodje. Ne glede na tvoj cilj, najboljša vsebina o tej temi že obstaja. A pogosto je v tujem jeziku, draga, razpršena po spletu, brez vaj za vadbo ali pa je del predolgega tečaja, ki ni primeren za tiste z natrpanim urnikom. Zato ima Dedika svoj pristop: poiščemo gradivo, kjerkoli je, izberemo tisto, kar je smiselno za tvoj cilj, ga pregledamo s pomočjo strokovnjakov, ki so na voljo za vprašanja, in pripravimo praktične naloge, da se učiš skozi delo. Ti si najpomembnejši na svoji poti in nihče te ne pozna bolje: izberi vsebino in trajanje tečaja, ali boš učil z ali brez interneta in v katerem formatu. Lahko je video, besedilo, avdio ali povzetek. Po tvoji meri, samo s tistim, kar ti ustreza. Tukaj je vsak trenutek tvoje predanosti pomemben in hitreje prideš do bistva.

Tečaji so sestavljeni iz najboljše vsebine na svetu na določeno temo: videi, avdio posnetki, članki in knjige. Vsa ta vsebina je opremljena s povzetki, podcasti (za knjige in članke) ter prepisi (za videe in avdio posnetke). Sami izberete, kako želite vsebino spremljati. Vsako gradivo ima posebna vprašanja za utrjevanje znanja. Poleg tega je tečaj sestavljen iz poglavij, ki jih izberete sami, kar vam omogoča, da se učite le tistega, kar je pomembno za vas. Na koncu vsakega poglavja je praktični projekt, povezan z vašo stroko, kjer lahko vadite naučeno.

Naši tečaji vključujejo povzetek na koncu vsakega poglavja, ki ga lahko prenesete kot PDF in natisnete.

Več kot 2 milijona študentov po vsem svetu

Prisotni v več kot 180 državah

Certifikat veljaven v vaši državi

Domov

...

Tečaj AI in Machine Learning

Vsi tečaji

Poslovanje in ekonomija

Poslovna inteligenca

Tečaj AI in Machine Learning

Za vse ravni

Tečaj AI in Machine Learning

4,8

Obvladaš celoten spekter umetne inteligence in strojnega učenja – od osnovne matematike in priprave podatkov do globokega učenja, uvajanja modelov in strategije UI. Ta tečaj ti daje tehnične veščine in praktične okvire za gradnjo resničnih sistemov UI iz nič. Ne glede na to, ali vstopaš v področje ali nadgrajuješ znanje, boš diplomiral/-a pripravljen/-a na doseganje merljivih rezultatov.

Dedika za podjetja

Kaj se boste naučili:

Zgradil/-a boš celovito razumevanje strojnega učenja, začenši s postavitvijo Pythona, osnovno matematiko in tehnikami priprave podatkov. Uvedel/-a boš nadzorovane in nenadzorovane algoritme, nato pa napredoval/-a do globokih nevronskih mrež, vključno s CNN-ji, RNN-ji in Transformerji. Tečaj pokriva prakse MLOps, da lahko uvajaš, spremljaš in vzdržuješ modele v produkcijskih okoljih. Raziskoval/-a boš tudi obdelavo naravnega jezika, računalniški vid, spodbujevalno učenje in velike jezikovne modele. Do konca boš usposobljen/-a za načrtovanje, gradnjo in dostavo celovitih rešitev UI, usklajenih z resničnimi poslovnimi cilji.

Kako praktično študirate Tečaj AI in Machine Learning

Kako vadite Tečaj AI in Machine Learning

Za vas, ki ste podjetje in želite usposobiti svojo ekipo

Na Dedika za podjetja je tečaj prilagojen z vajami in primeri iz vašega lastnega poslovanja, tako kot vaša podjetja potrebujejo.

Kliknite tukaj

Vsebina tečaja

8 Poglavji • 40 Uč lekcijeTrajanje med 4 in 360 urami (vi se odločite)

Poglavje 1Poglej podrobnosti

Temelji UI in strojnega učenja

Uč lekcija 1 • Osnovna terminologija in koncepti UI
Opredeljuje inteligenco, učenje, sklepanje in posploševanje s tehničnimi izrazi. Vzpostavlja skupni besednjak, ki se uporablja skozi celoten tečaj.
Uč lekcija 2 • Vrste strojnega učenja
Primerja paradigme nadzorovanega, nenadzorovanega in spodbujevalnega učenja s primeri. Udeležencem omogoča izbiro ustreznega pristopa MU za dani problem.
Uč lekcija 3 • Nastavitev učnega okolja
Vodi skozi namestitev Pythona, Jupyterja in ključnih knjižnic za MU. Zagotavlja, da ima vsak udeleženec delujoče delovno okolje pred začetkom praktičnih vaj.
Uč lekcija 4 • Področja uporabe UI
Pregled primerov uporabe UI v zdravstvu, financah, proizvodnji in jezikoslovju. Povezuje abstraktne koncepte z oprijemljivimi industrijskimi rezultati, s katerimi se bodo udeleženci srečevali v poklicu.
Uč lekcija 5 • Zgodovina in razvoj UI
Sledi razvoju UI od simbolnega sklepanja do sodobnih mejnikov globokega učenja. Zagotavlja zgodovinski kontekst, ki služi kot podlaga za vse nadaljnje tehnične koncepte v poglavju.

Poglavje 2Poglej podrobnosti

Matematika in statistika za MU

Uč lekcija 1 • Infinitezimalni račun za optimizacijo
Predstavi odvode, gradiente in verižno pravilo kot orodja za minimizacijo funkcij izgube. Neposredno pripravi udeležence na razumevanje gradientnega spusta v kasnejših poglavjih.
Uč lekcija 2 • Statistično sklepanje in ocenjevanje
Uči metodo največjega verjetja, intervale zaupanja in testiranje hipotez. Zagotavlja statistično osnovo za strogo ocenjevanje uspešnosti modela.
Uč lekcija 3 • Bistvene vsebine linearne algebre
Obravnava vektorje, matrike, skalarne produkte in matrični razkroj, pomembne za MU. Te strukture so temelj predstavitve podatkov in manipulacije s parametri modela.
Uč lekcija 4 • Osnove teorije informacij
Predstavi entropijo, navzkrižno entropijo in KL divergenco kot mere informacije. Te metrike se neposredno pojavljajo v funkcijah izgube in merilih za ocenjevanje modela.
Uč lekcija 5 • Temelji teorije verjetnosti
Obravnava verjetnostne porazdelitve, pogojno verjetnost in Bayesov izrek. Ti koncepti so bistveni za verjetnostne modele in kvantifikacijo negotovosti.

Poglavje 3Poglej podrobnosti

Zbiranje, priprava in raziskovalna analiza podatkov

Uč lekcija 1 • Čiščenje podatkov in zagotavljanje kakovosti
Sistematično obravnava manjkajoče vrednosti, dvojnike, osamelce in nekonsistentne oblike. Čisti podatki so predpogoj za zanesljivo učenje modela v vseh nadaljnjih poglavjih.
Uč lekcija 2 • Inženiring značilk in transformacija
Obravnava kodiranje, skaliranje, razvrščanje v zabojnike in ustvarjanje izpeljanih značilk iz surovih spremenljivk. Transformirane značilke neposredno izboljšajo točnost modela in stabilnost učenja.
Uč lekcija 3 • Viri podatkov in metode zbiranja
Pregled strukturiranih, nestrukturiranih in pretočnih virov podatkov ter strategij zbiranja. Že od začetka vzpostavlja zavedanje o izvoru in kakovosti podatkov.
Uč lekcija 4 • Delitev podatkov in preprečevanje uhajanja
Razlaga razdelitve na učno, validacijsko in testno množico ter strategije za preprečevanje uhajanja podatkov. Pravilna delitev zagotavlja nepristransko vrednotenje vseh modelov, zgrajenih v kasnejših poglavjih.
Uč lekcija 5 • Tehnike raziskovalne analize podatkov
Uporablja statistične povzetke in vizualizacije za razkrivanje porazdelitev, korelacij in anomalij. Ugotovitve raziskovalne analize usmerjajo odločitve o izbiri značilk in modela.

Poglavje 4Poglej podrobnosti

Algoritmi nadzorovanega učenja

Uč lekcija 1 • Ansambelske metode
Uči združevanje v vreče, spodbujanje in zlaganje za kombiniranje šibkih učencev v močne modele. Ansambelske tehnike dosledno dosegajo vrhunsko uspešnost pri nalogah s strukturiranimi podatki.
Uč lekcija 2 • Metoda podpornih vektorjev
Obravnava klasifikatorje z maksimalno mejo, jedrne funkcije in formulacije z mehkimi mejami. SVM kažejo, kako se geometrijska intuicija prevede v zmogljive klasifikacijske meje.
Uč lekcija 3 • Odločitvena drevesa in modeli na osnovi pravil
Razlaga meril za delitev, globine drevesa in obrezovanja za razložljivo klasifikacijo. Odločitvena drevesa služijo kot gradniki za ansambelske metode, obravnavane kasneje.
Uč lekcija 4 • Linearna in logistična regresija
Izpelje linearno regresijo iz metode najmanjših kvadratov in logistično regresijo iz log-obetov. Ti temeljni modeli vzpostavljajo predlogo za vse parametrične učne algoritme.
Uč lekcija 5 • Vrednotenje in izbira modela
Uporablja točnost, natančnost, priklic, F1, AUC-ROC in RMSE za primerjavo modelov. Temeljito vrednotenje preprečuje uvajanje modelov s slabšo uspešnostjo ali pristranskih modelov.

Poglavje 5Poglej podrobnosti

Nenadzorovano učenje in zmanjšanje dimenzionalnosti

Uč lekcija 1 • Pregled generativnih modelov
Pregled modelov Gaussovih mešanic in variacijskih avtokodirnikov kot generativnih pristopov. Ta razdelek povezuje nenadzorovano učenje z vsebinami globokega učenja v naslednjem poglavju.
Uč lekcija 2 • Algoritmi razvrščanja
Obravnava k-voditeljev, hierarhično razvrščanje in DBSCAN z njihovimi predpostavkami in kompromisi. Razvrščanje razkriva naravne skupine, ki omogočajo segmentacijo in zaznavanje anomalij.
Uč lekcija 3 • Tehnike zmanjšanja dimenzionalnosti
Uči PCA, t-SNE in UMAP za zmanjšanje značilk ob ohranjanju strukture. Zmanjšane predstavitve pospešijo učenje in omogočijo vizualizacijo kompleksnih naborov podatkov.
Uč lekcija 4 • Učenje asociacijskih pravil
Predstavi algoritma Apriori in FP-Growth za iskanje pogostih množic in pravil. Asociacijska pravila poganjajo priporočilne sisteme in sisteme analize tržne košarice.
Uč lekcija 5 • Zaznavanje anomalij in osamelcev
Uporablja izolacijske gozdove, avtokodirnike in statistične metode za označevanje anomalij. Zaznavanje anomalij je ključno za goljufije, odkrivanje napak in podatkovne cevi za kakovost podatkov.

Poglavje 6Poglej podrobnosti

Globoko učenje in nevronske mreže

Uč lekcija 1 • Temelji usmerjenih nevronskih mrež
Obravnava nevrone, aktivacijske funkcije, vnaprejšnji prehod in vzvratno razširjanje od začetka. Ta razdelek vzpostavlja računsko osnovo za vse globoke arhitekture.
Uč lekcija 2 • Ponovitveni in sekvenčni modeli
Obravnava RNN, LSTM in GRU za modeliranje časovnih odvisnosti v sekvenčnih podatkih. Sekvenčni modeli so temelj cevovodov za napovedovanje časovnih vrst in obdelavo jezika.
Uč lekcija 3 • Učinkovito učenje globokih mrež
Obravnava optimizatorje, razporede hitrosti učenja, paketno normalizacijo in opustitev. Te tehnike rešujejo izginjajoče gradiente in pretirano prilagajanje v globokih arhitekturah.
Uč lekcija 4 • Arhitektura Transformer in samopozornost
Izpeljuje večglavo samopozornost, pozicijsko kodiranje in sklad kodirnika-dekodirnika. Transformerji so hrbtenica sodobnih sistemov NLP in multimodalne UI.
Uč lekcija 5 • Konvolucijske nevronske mreže
Razlaga konvolucije, združevanja in hierarhij značilnostnih map za razumevanje slik. CNN so dominantna arhitektura za vizualno prepoznavanje in naloge s prostorskimi podatki.

Poglavje 7Poglej podrobnosti

Uvajanje modela in MLOps

Uč lekcija 1 • Vsebniška namestitev in orkestracija
Pakira storitve MU v vsebnike Docker in jih orkestrira s Kubernetesom. Vsebniki zagotavljajo skladnost okolja v razvojnih in produkcijskih sistemih.
Uč lekcija 2 • Gradnja in ponujanje API-jev modela
Gradi REST API-je s FastAPI in Flask, da izpostavi napovedi modelov kot storitve. Strežba na osnovi API-jev v produkciji loči logiko modela od aplikacij, ki jo uporabljajo.
Uč lekcija 3 • Cevovodi MU in avtomatizacija delovnih tokov
Avtomatizira zajem podatkov, učenje in vrednotenje z uporabo orodij za orkestracijo cevovodov. Avtomatizirani cevovodi zmanjšujejo ročne napake in pospešujejo cikle iteracij modela.
Uč lekcija 4 • Serializacija in pakiranje modela
Obravnava shranjevanje modelov s pickle, ONNX in izvornimi formati ogrodij za prenosljivost. Pravilna serializacija je prvi korak v vsakem ponovljivem delovnem toku uvajanja.
Uč lekcija 5 • Spremljanje in vzdrževanje modelov v produkciji
Sledi podatkovnim premikom, konceptualnim premikom, zakasnitvi in kakovosti napovedi po uvedbi. Neprekinjeno spremljanje preprečuje tiho degradacijo modela v živih sistemih.

Poglavje 8Poglej podrobnosti

Napredne teme UI in strateške aplikacije

Uč lekcija 1 • Strategija UI in poslovna vrednost
Uokvirja izbiro projektov UI, oceno ROI in komunikacijo z deležniki za vodje. Premosti tehnično strokovno znanje z organizacijskim odločanjem in upravljanjem sprememb.
Uč lekcija 2 • Poglobljeno spodbujevalno učenje
Obravnava markovske odločitvene procese, Q-učenje in metode gradienta politike z aplikacijami. Nadgrajuje predhodno znanje nadzorovanega učenja za reševanje zaporednih odločitvenih problemov.
Uč lekcija 3 • AutoML in optimizacija hiperparametrov
Uporablja iskanje po mreži, Bayesovo optimizacijo in iskanje nevronske arhitekture za avtomatizacijo prilagajanja. AutoML zmanjša trud strokovnjakov in hitreje odkrije visoko zmogljive konfiguracije.
Uč lekcija 4 • Etika UI, pravičnost in upravljanje
Analizira vire pristranskosti, metrike pravičnosti, orodja za razložljivost in ogrodja upravljanja. Prakse odgovorne UI so bistvene za trajnostne in zaupanja vredne uvedbe.
Uč lekcija 5 • Veliki jezikovni modeli in generativna UI
Preučuje prednaučevanje v stilu GPT, ukazno prilagajanje in načrtovanje pozivov za velike jezikovne modele. Udeležence usposobi za uporabo in fino prilagajanje najsodobnejših generativnih modelov.

Certifikacija

Vaš veljaven certifikat o zaključku

Ta tečaj je namenjen vam:

Razvijalec programske opreme: želi dodati zmožnosti UI k obstoječemu inženirskemu znanju.
Poslovni analitik: pripravljen/-a preiti od poročanja podatkov k njihovemu modeliranju in napovedovanju.
Nedavni diplomant: išče strukturirano, praktično usposabljanje UI za vstop na konkurenčni trg dela.
Karierni preusmerjevalec: prehaja iz področij, kot so finance ali zdravstvo, v vloge UI.
Produktni vodja: želi voditi pobude UI s pristnim tehničnim razumevanjem.
Raziskovalni asistent: želi uporabiti metode strojnega učenja na domensko specifičnih naborih podatkov.

Kaj pravijo naši učenci

Vaše predavanja so popolna. Kupil sem enoletni paket in končno imam priložnost spremljati različne teme, ki me zanimajo, ne da bi moral menjati platformo... hvala za vse, kar počnete, že sem vas priporočil drugim ljudem...