Kurser i maskinlæring
Lær at undervise computere i at lære. Disse kurser dækker de grundlæggende begreber og værktøjer inden for maskinlæring — fra træning af modeller til evaluering af forudsigelser og udvikling af intelligente applikationer.
4.4
Bedømt efter 206 anmeldelser.
5,064 LærendeAllerede tilmeldt
Opnåede færdigheder:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAlgorithm Evaluation and ComparisonAlgoritmer for Multi-Armed BanditAnomaly detection evaluation Applied Calibration WorkflowsApproximate ReasoningAutomated Search with scikit-learnBackward Difference CodingBagging and Random ForestsBayes' SætningBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance TradeoffBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCategorical Feature HandlingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Coefficient VisualizationCommittee-Based QueryingConcentration of MeasureConditional IndependenceConjugate PriorsConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCross-validation techniquesCurse of DimensionalityDBSCAN: håndtering af støj og uregelmæssige formerData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDatanormalisering og afstandsmålDatapræprocesseringDatatransformationDatavaskDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescriptive StatisticsDimensionality reduction evaluation DimensionsreduktionDistance CollapseDrift Detection FundamentalsEffective DocumentationEmpirical Risk MinimizationEncoding Leakage PreventionEnsemble Learning FundamentalsEstimator IntrospectionEthical AI PrinciplesEvaluation Under Distribution ShiftEvolutionær optimeringExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeature engineeringFeature-kodningFeature-selektionFeature-skaleringForecast Evaluation MetricsForecasting StrategiesFunktioner & MængderFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGaussian DistributionGaussian Mixture Models: probabilistisk klyngeanalyseGeneralization BoundsGenetiske algoritmerGeometric Implications for ML AlgorithmsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGraph Embedding IntuitionGraph LaplaciansGraph Representation in PythonGraph Theory for MLGraphSAGE ConceptsGrundlæggende GymnasiumGrundlæggende Reinforcement LearningGrundlæggende klyngeanalyse og algoritmerGrænser & DifferentiationHelmert CodingHierarkisk klyngedannelse og dendrogrammerHigh-Cardinality Feature EncodingHigh-Dimensional Geometry IntuitionHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHyperparametertuningHypothesis TestingHåndtering af manglende og kategoriske dataIdentity and Access ManagementImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImputation af manglende værdierInductive BiasInformation-Theoretic LossesIntegralerIsolation Forest ImplementationIsotonic RegressionJupyter Notebook ProficiencyK-Means: principper og klyngeoptimeringKernel MethodsKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKolmogorov–Smirnov TestKovarians og eigendecompositionKunstige immunsystemerL1, L2, and Elastic Net RegularizationLabel Efficiency TechniquesLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLinear Algebra FoundationsLineær regression med PythonLineære TransformationerLink PredictionLocal Outlier Factor AnalysisLogistisk regressionLoss Function Selection and ComparisonMLOps FundamentalsManual Search MethodsMarkov Random FieldsMaskinlæring med scikit-learnMathematical Foundations of Loss FunctionsMathematical OptimizationMatrixdekompositionMaximum-Margin SolutionsMean-CenteringMembership FunctionsMetoder til Dynamisk ProgrammeringMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Selection UtilitiesModel-Based Drift DetectionModeltræning og evalueringMomentum MethodsMonitoring Model DegradationMonte Carlo-teknikkerMultinomial DistributionMultivariate AnalysisNeuroevolutionNode ClassificationNormalization (L1, L2, Max)Offline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOutlier Detection FundamentalsOverfitting and RegularizationPGM Inference and LearningPartikelsværmsoptimeringPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPipeline-opbygningPlatt ScalingPolynomial CodingPopulation Stability IndexPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipal component analysis (PCA)Probabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsPython-klassifikationsmodellerPython-programmeringRIPPER AlgorithmRandom Walks on GraphsReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Reliability DiagramsReproducibility in ML WorkflowsReproducible Analysis HabitsRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling Strategies in MLSandsynlighedsfordelingerSandsynlighedsreglerSerieanalyseServerless and Event-Driven DesignSimilarity Scoring for GraphsSpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStatistiske MålStochastic OptimizationStress Testing ML ModelsSværmintelligensTemporal ValidationTemporal-Difference LearningTheoretical OverfittingTime Series AnalysisTime Series WindowingTree-Based ForecastingTriple Scoring FunctionsTuning af hyperparametreUdregning af outliersUncertainty-Based QueryingVC DimensionVector and Raster Data HandlingVektorer & MatricerWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Vis mereTag en kort quiz og kom tættere på dine mål!
80,000
Eleverne har allerede gennemført kurserne med succes og anvender deres færdigheder på arbejdspladsen
92%
Brugere finder vores kurser nyttige
Kurser
Kurser
Udforsk Maskinlæring kurser og projekter
4 timer
32 kapitler
2 timer 19 kapitler
3 timer 24 kapitler
4 timer 34 kapitler
5 timer 51 kapitler
1 time 12 kapitler
1 time 16 kapitler
2 timer 16 kapitler
1 time 9 kapitler
2 timer 15 kapitler
1 time 15 kapitler
2 timer 18 kapitler
Niveau
Lektionstype
Teknologier
kursus
Introduction to Machine Learning with Python
4 timer 32 kapitlerMellemniveau
23 STUDERER NU
Opnåede færdigheder: Machine Learning with scikit-learn, Model Training and Evaluation, Hyperparameter Tuning
kursus
Linear Regression with Python
2 timer 19 kapitlerMellemniveau
4 STUDERER NU
Opnåede færdigheder: Linear Regression with Python, Model Training and Evaluation
kursus
Classification with Python
3 timer 24 kapitlerMellemniveau
2 STUDERER NU
Opnåede færdigheder: Python Programming, Python Classification Models, Logistic Regression, Data Preprocessing, Model Training and Evaluation, Hyperparameter Tuning
kursus
Cluster Analysis with Python
4 timer 34 kapitlerMellemniveau
1 STUDERER NU
Opnåede færdigheder: Clustering fundamentals and algorithms , Handling missing and categorical data , Data normalization and distance metrics , K-Means: principles and cluster optimization , Hierarchical clustering and dendrograms , DBSCAN: noise handling and irregular shapes , Gaussian Mixture Models: probabilistic clustering
kursus
Mathematics for Data Science with Python
5 timer 51 kapitlerBegynder
15 STUDERER NU
Opnåede færdigheder: Functions & Sets, Series Analysis , Limits & Derivatives , Integrals , Gradient Descent , Vectors & Matrices , Linear Transformations , Matrix Decomposition , Probability Rules , Bayes' Theorem, Statistical Measures , Probability Distributions
kursus
Data Preprocessing and Feature Engineering with Python
1 time 12 kapitlerBegynder
5 STUDERER NU
Opnåede færdigheder: Data Cleaning , Missing Value Imputation , Outlier Detection , Feature Encoding , Feature Scaling , Data Transformation , Feature Engineering , Feature Selection , Pipeline Building
kursus
Bio-Inspired Algorithms with Python
1 time 16 kapitlerBegynder
1 STUDERER NU
Opnåede færdigheder: Evolutionary optimization , Swarm intelligence, Genetic algorithms , Particle swarm optimization, Artificial immune systems, Neuroevolution
kursus
Evaluation Metrics in Machine Learning with Python
2 timer 16 kapitlerMellemniveau
4 STUDERER NU
Opnåede færdigheder: Classification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) , Regression metrics (MSE, RMSE, MAE, R²) , Clustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) , Dimensionality reduction evaluation , Anomaly detection evaluation , Cross-validation techniques
kursus
Feature Encoding Methods in Python
1 time 9 kapitlerMellemniveau
2 STUDERER NU
Opnåede færdigheder: Weight-of-Evidence Encoding, Leave-One-Out Encoding, Helmert Coding, Backward Difference Coding, Polynomial Coding, High-Cardinality Feature Encoding, Encoding Leakage Prevention
kursus
Loss Functions in Machine Learning
2 timer 15 kapitlerMellemniveau
1 STUDERER NU
Opnåede færdigheder: Mathematical Foundations of Loss Functions, Risk Minimization Theory, Regression Loss Analysis, Classification Loss Analysis, Information-Theoretic Losses, Loss Function Selection and Comparison
kursus
Explainable AI (XAI) Basics
1 time 15 kapitlerBegynder
1 STUDERER NU
Opnåede færdigheder: Explainable AI Fundamentals, XAI Methods and Concepts, Ethical AI Principles, AI Transparency Awareness
kursus
Exploratory Data Analysis with Python
2 timer 18 kapitlerBegynder
2 STUDERER NU
Opnåede færdigheder: Exploratory Data Analysis, Descriptive Statistics, Data Visualization with matplotlib and seaborn, Correlation Analysis, Multivariate Analysis, Data Storytelling
Vælg en karrierevejOmfattende programmer for at mestre en karrierevej
Kun for Ultimate
7 Kurser
182 Opgaver
Codefinity fordele
KI-assisteret læring
Omfavn fascinationen for teknologiske færdigheder! Vores KI-assistent giver feedback i realtid, personlige hints og fejlforklaringer, så du trygt kan lære.
Arbejdsområder
Med arbejdsområder kan du oprette og dele projekter direkte på vores platform. Vi har forberedt skabeloner til din bekvemmelighed
Læringsstier
Tag kontrol over din karriereudvikling og start din rejse mod at mestre den nyeste teknologi
Virkelige projekter
Virkelige projekter løfter din portefølje og viser praktiske færdigheder, der imponerer potentielle arbejdsgivere
Hvorfor Codefinity skiller sig ud
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
Codefinity
Videobaserede læringsplatforme
Codefinity
Videobaserede læringsplatforme
Videomateriale
Downloadbare materialer
Ansete certifikater
Interaktivt læringsmiljø
Fejlrettelse
AI-assistent
Adgang til alt indhold med ét abonnement
KarrieremulighederLær om de mest populære erhverv, gennemsnitslønninger og virksomheder, der aktivt søger specialister inden for dette felt.
Dataforsker
Maskinlæringsingeniør
NLP Ingeniør
Deep Learning Ingeniør
Maskinlæringsforsker
$149k
$197k
$246k
Min
Average
Max
Årlig løn
(Gennemsnit i USA)
Ansættende virksomheder
*Kilde: Glassdoor
Udvalgt af studerende fra de allerbedste skoler
Inkluderer 30 af de 30 allerbedste universiteter i USA.
Kurser i maskinlæring: Nøgleinfo og spørgsmål
Introduktion til maskinlæringskurser
Maskinlæring (ML) er et område inden for AI, der gør det muligt for maskiner at lære af data og lave forudsigelser uden eksplicit programmering. Maskinlæringskurser underviser i de grundlæggende principper for superviseret og ikke-superviseret læring, modeltræning, databehandling og evalueringsteknikker. Fra lineær regression og klassifikation til mere avancerede metoder som forstærkningslæring guider disse kurser deltagerne gennem opbygning af modeller, der kan genkende mønstre i data og forbedre sig over tid. ML anvendes i forskellige applikationer såsom anbefalingssystemer, bedrageridetektion og autonome systemer.
Fordele ved vores maskinlæringskurser
Vores kurser tilbyder praktisk, anvendelsesorienteret erfaring med virkelige datasæt, ekspertundervisning og et fleksibelt læringsmiljø. Denne solide tilgang sikrer, at de studerende ikke kun lærer teoretiske begreber, men også anvender dem i praksis.
Karrieremuligheder efter gennemførelse af maskinlæringskurser
Dimittender kan forfølge forskellige roller såsom Data Scientist, Maskinlæringsingeniør, AI-analytiker eller Forskningsforsker på tværs af brancher som finans, sundhedsvæsen, bilindustri og teknologi.
Maskinlæringskursusmuligheder
Vi tilbyder en række kurser, fra begynderkurser som ML Introduktion med scikit-learn til mere avancerede emner såsom Klassifikation med Python, Lineær Regression med Python. Du kan også følge det superviserede maskinlæringsspor for en struktureret læringsvej.
Certifikatinformation
Efter gennemførelse af et af vores maskinlæringskurser modtager de studerende et gennemførelsescertifikat, som er anerkendt i branchen og kan hjælpe med at fremme din karriere.
Hvad er maskinlæring, og hvorfor er det vigtigt?
Maskinlæring er en gren af AI, der gør det muligt for softwareapplikationer at blive mere præcise i forudsigelser uden at være eksplicit programmeret. Det er afgørende for at skabe adaptive algoritmer, der kan behandle og lære af data i realtid.
Hvor bruges maskinlæring i industrien?
Maskinlæring anvendes bredt i brancher som finans til algoritmisk handel, sundhedsvæsen til prædiktiv diagnostik, bilindustrien til selvkørende biler og i forbrugerrettede tjenester til personaliserede oplevelser.
Hvilke karrieremuligheder er der inden for maskinlæring?
Karrierer inden for maskinlæring omfatter roller som maskinlæringsingeniør, dataanalytiker, NLP-forsker samt roller inden for nye teknologier, der kræver datadrevne beslutninger.
Hvordan vælger man det rette maskinlæringskursus?
Overvej dit nuværende færdighedsniveau og dine karrieremål. Begyndere bør starte med "ML Introduktion med scikit-learn", mens dem med baggrund kan vælge mere specialiserede kurser som Klassifikation med Python og Lineær Regression med Python.
Hvad koster træning i maskinlæringskurser?
Prisen for uddannelsen afhænger af abonnementstype og varighed. For præcis og detaljeret prisinformation samt eventuelle rabatter, besøg venligst vores betalingsside.
Hvilket maskinlæringskursus er bedst egnet til begyndere?
"ML Introduktion med scikit-learn" er ideel for begyndere uden kendskab til maskinlæring og giver den grundlæggende viden, der er nødvendig for at komme videre inden for området.
Hvilke nøglekompetencer kræves for at få succes med maskinlæring?
Nøglekompetencer omfatter et solidt kendskab til statistik, programmering (Python foretrækkes), dataforståelse og evnen til at anvende matematiske modeller på virkelige problemer.
Hvordan adskiller maskinlæring sig fra kunstig intelligens med hensyn til anvendelser?
Maskinlæring er en underkategori af AI, der fokuserer på systemer, der lærer af data, mens AI omfatter et bredere spektrum af teknologier, der simulerer menneskelig intelligens. Maskinlæring er mere specifik for datadrevne algoritmer.
Hvilken indflydelse har maskinlæring på sundhedssektoren?
Maskinlæring forbedrer diagnostisk nøjagtighed, optimerer behandlingsplaner og forbedrer patientresultater gennem prædiktiv analyse og sygdomsidentifikation.
Hvilke 4 typer maskinlæring findes der?
De fire hovedtyper er superviseret læring, ikke-superviseret læring, semi-superviseret læring og forstærkningslæring.
Er Python nok til maskinlæring?
Python er tilstrækkelig til at starte med maskinlæring på grund af dets omfattende biblioteker og frameworks, men forståelse af underliggende algoritmer og matematik er afgørende for at komme videre inden for området.
Er maskinlæring stadig efterspurgt?
Ja, maskinlæring er fortsat meget efterspurgt, da virksomheder på tværs af sektorer er afhængige af datadrevne beslutninger til strategisk planlægning og innovation.
Hvad siger vores brugere
Deltag 1.5+ millioner avancerer i AI og datafærdigheder hos Codefinity
Klar til at starte?
ProBedste introduktionstilbud$12 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser
40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderUltimateAlt du behøver for at booste din karriere$25 /mdÅrlig fakturering
250+ topbedømte kurserAfslutningscertifikaterKI-assistent i alle kurser40+ hands-on Real-world projectsPersonlige studievejeUbegrænsede arbejdsområderTopkurser i Maskinlæring kategori
1. | Introduktion til Maskinlæring med Python |  4 timer |  32 kapitler |
2. | Lineær Regression med Python | 2 timer | 19 kapitler |
3. | Klassifikation med Python | 3 timer | 24 kapitler |
4. | Klyngeanalyse med Python | 4 timer | 34 kapitler |
5. | Matematik for Datavidenskab | 5 timer | 51 kapitler |
1. Introduktion til Maskinlæring med Python
Timer
Kapitler2. Lineær Regression med Python
TimerKapitler3. Klassifikation med Python
TimerKapitler4. Klyngeanalyse med Python
TimerKapitler5. Matematik for Datavidenskab
TimerKapitlerRelaterede emner på bloggen
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
Machine Learning
by Kyryl SidakData Scientist, ML Engineer
