注册接收电子邮件 关于开放大学的机器学习项目.
课程描述:
机器学习作为一个领域现在非常普遍, 应用领域包括商业智能, 国土安全, 生化相互作用分析, 基础设施监控, 和天体物理学. 深度学习是机器学习的一个分支，涉及现代神经网络的发展和应用. 深度学习算法以一种最大化给定任务性能的方式提取数据的分层高级表示. 深度学习是人工智能最近许多进步的背后, 包括Siri的语音识别功能, Facebook的标签建议, 机器语言翻译和自动驾驶汽车. 本课程介绍使用TensorFlow 2进行机器学习.0，这是一个非常流行的用于构建预测模型的框架. 本课程将提供一步一步的方法来构建复杂的机器学习模型，从机器学习和TensorFlow 2的基本概念开始.Google的0框架. 我们将使用各种工具和平台，比如Python, TensorFlow / Keras, 和谷歌合作实验室笔记本电脑, 测试, 部署机器学习模型.
这个为期7周的课程包含42小时的365英国上市官网, 同步教学，分为3个模块，涵盖了让学生了解人工智能和机器学习的基本主题. 该计划是理想的毕业生和工作的工程师新到人工智能和机器学习的世界.
这个程序包含零售专业, 医疗保健, 金融服务和工业/制造业. 你可以选择一个或多个专业作为课程的一部分(每个专业为期3-5周)。. 您将理解下面定义的用例，并作为项目的一部分实现一个端到端的用例.
在成功完成课程后，将颁发PACE成就证书.
注册
学习成果
在课程结束时，学生将能够:
- 解释机器学习模型是如何工作的
- 将任务构建为机器学习问题
- 使用机器学习工具包来实现设计的模型
- 证明特定的机器学习技术何时以及为什么适用于特定的问题
- 构建、测试和部署复杂的机器学习模型来解决特定问题
暂定课程大纲
每个模块都包含相应的实践实验，涵盖模块主题.
模块1:Python基础- 1周
- Python教程，包括:
- 数据类型 & 字符串
- 用户自定义函数
- 熊猫系列
- λ & Map
- 类和对象导论
这个模块涵盖了Python编程的基础知识. 完成本模块后, 学生将能够编写相当复杂的Python代码来处理数据. 下表显示了本模块中涉及的主题.
Python基础知识
| 主题 | Details |
|---|
Python基础知识 | - 入门，数据类型 & 字符串,列表 & 元组, & 字典，If Else语句，For & While循环，用户定义函数，读取 & 写文件，Pandas系列，数据帧，λ & Map
|
数据结构 | - 列表，元组，字典.
- 使用内置模块和函数的字符串，计算和日期.
- 面向对象编程(OOP)原则.
|
使用模块 | - 创建和使用函数.
- Creating a Module in class; Calling a Module; Returning value from a Module; Adding a Method that takes parameters;
|
类和对象导论 | - Creating a Class; Creating an Object; Using an Object; Adding Instance variables; Controlling accessibility; Naming conventions for class members. 内部类.
- Class Constructors; Parameterized Constructors.
- 继承. 过载.
|
文件、流、数据库连接和API | - 打开，遍历，读取和创建文件:数据库，csv, txt和Json文件.
- 连接到数据库, 创建数据库, 删除数据库, 创建一个表, 改变表, 放下一张桌子, 插入, 删除, 更新记录, 查询数据库并显示结果.
- 连接到不同的api
|
模块2:机器学习使用TensorFlow - 4周
- 机器学习概论
- 什么是机器学习?
- 介绍TensorFlow
- 构建TensorFlow模型
- 扩展和模型部署
本模块侧重于机器学习的基础知识以及谷歌云平台上常用的ML和深度学习模型. 使用TensorFlow构建模型, 使用TensorBoard训练和评估他们的表现, 并将讨论如何部署这些模型.
使用TensorFlow的机器学习.0
| 主题 | Details |
|---|
机器学习概论 | - 什么是机器学习?
- 机器学习vs. 数据科学
- 所有内容如何融入AI & 毫升的世界?
|
什么是机器学习? | - 机器学习入门
- 设置云环境(GCP)
- 了解Google Cloud的基础知识
- 开发第一个机器学习模型-回归
- 开发机器学习模型-分类
|
介绍TensorFlow | - TensorFlow是如何工作的?
- 神经网络简介
- 开始使用TensorFlow
- TensorFlow与TensorFlow的区别.x和TensorFlow 2.x
|
构建TensorFlow模型 | - 开始使用TensorFlow ML模型
- 理解数据集
- 准备训练模型
- 训练一个深度神经网络模型
- 理解TensorBoard
- 什么是特征工程?
- 改进模型性能——特征工程
|
扩展和模型部署 | - 云部署规划
- 设置存储桶
- 使API & 服务
- 创建服务帐户密钥
- 打包代码
- 在Google Cloud上运行ML作业
- 部署ML模型
|
模块2的实验
Lab1:实现线性回归和KNN模型.
Lab2:使用TensorFlow - Feature Engineering为DNN模型创建模型
Lab3:使用特征工程提高模型性能.
Lab4:使用Flask API部署TensorFlow模型.
模块3:行业焦点- 3周
该模块是零售业的行业专业化, 医疗保健, 金融服务和工业/制造业. 学生可以选择一个或多个专业作为课程的一部分. 本模块将重点关注下面定义的用例, 学生将端到端实现一个用例，作为顶点项目的一部分.
| 行业集中 | 用例 |
|---|
零售 | |
医疗保健 | - 远程保健/虚拟保健
- 互操作性的加速器
- 医院影响预测
- 生物医学数据分析
|
金融服务 | - 反洗钱(AML)
- 了解客户(KYC)
- 数字社会安全网
- 外借文件处理
|
工业/制造业 | |
模块3的实验
Lab1:理解业务问题并使用Python实现探索性数据分析.
Lab2:使用TensorFlow创建机器学习模型
Lab3:使用特征工程提高模型性能
Lab4:使用Flask API部署TensorFlow模型
