Apa yang akan Anda pelajari
-
Pelajari konsep inti dari Machine Learning
-
Pelajari tentang jenis algoritme pembelajaran mesin yang berbeda
-
Buat proyek dunia nyata menggunakan algoritme pembelajaran yang Diawasi dan Tidak Diawasi
Persyaratan
-
Pengatuahn dasar Python diperlukan untuk mengkompilasi dan menjalankan contoh
-
Pengetahuan dasar matematika diasumsikan
Pembaruan: Kursus ini telah diperbarui untuk menyertakan 8 proyek yang akan memberi Anda pengalaman dunia nyata dengan berbagai konsep Pembelajaran Mesin. Nantikan lebih banyak proyek yang akan ditambahkan ke kursus ini di masa mendatang!
Jika Anda pernah mengobrol dengan robot otomatis, Anda pasti pernah berinteraksi dengan pembelajaran mesin. Dari mobil tanpa pengemudi hingga bot AI, pembelajaran mesin perlahan-lahan menyebarkan jangkauannya dan membuat perangkat lebih pintar.
Kecerdasan buatan adalah masa depan komputer, di mana perangkat Anda akan dapat memutuskan apa yang tepat untuk Anda. Pembelajaran mesin adalah inti untuk memiliki realitas futuristik di mana robot maid dan robodog ada. Pembelajaran mesin mencakup algoritme yang memungkinkan komputer untuk berpikir dan merespons, serta memanipulasi data tergantung pada skenario yang ditempatkan di hadapan mereka.
Jadi, jika Anda pernah ingin berperan dalam pengembangan teknologi di masa depan, inilah kesempatan Anda untuk memulai Machine Learning. Karena pembelajaran mesin itu rumit dan sulit, kami telah merancang kursus untuk membantu memecahnya menjadi konsep yang lebih sederhana yang lebih mudah dipahami.
Kursus ini membahas konsep dasar machine learning yang sangat penting untuk memulai perjalanan menjadi developer machine learning. Kursus ini mencakup semua algoritme berbeda yang diperlukan untuk mensimulasikan lingkungan yang tepat untuk komputer Anda.
Kursus akan dimulai dari awal dan mempelajari machine learning, sebelum menguraikan prinsip-prinsip konsep yang paling penting. Namun, kursus ini mengharuskan Anda memiliki latar belakang matematika karena pembelajaran mesin sangat bergantung pada konsep matematika. Ini juga mengharuskan Anda untuk memiliki beberapa pengalaman dengan prinsip-prinsip Python yang akan diperlukan ketika kami menguji algoritme dalam proyek Python dunia nyata yang sebenarnya.
Kursus ini mencakup sejumlah algoritme pembelajaran mesin yang berbeda seperti pembelajaran yang diawasi, pembelajaran tanpa pengawasan, pembelajaran yang diperkuat, dan bahkan jaringan saraf. Dari sana, Anda akan belajar cara menggabungkan algoritme ini ke dalam proyek aktual sehingga Anda dapat melihat cara kerjanya! Tapi, itu belum semuanya. Kursus ini juga mencakup 6 proyek baru yang dapat membantu Anda merasakan kehebatan Machine Learning menggunakan contoh dunia nyata!
9 Proyek Yang Termasuk dalam Kursus Ini:
- Prediksi Ulasan Game Papan 1 – Dalam proyek ini, Anda akan melihat cara melakukan analisis regresi linier dengan memprediksi ulasan rata-rata pada permainan papan dalam proyek ini.
- Proyek 2 – Deteksi Penipuan Kartu Kredit – Dalam proyek ini, Anda akan belajar untuk fokus pada deteksi anomali dengan menggunakan kepadatan probabilitas untuk mendeteksi penipuan kartu kredit.
- Proyek 3 – Memulai Pemrosesan Bahasa Alami Dengan Python – Proyek ini akan berfokus pada metodologi Pemrosesan Bahasa Alami (NLP), seperti tokenisasi kata dan kalimat, bagian dari identifikasi dan penandaan ucapan, dan pemotongan frasa.
- Proyek 4– Memperoleh Performa pada Tugas Pengenalan Objek Menggunakan Pembelajaran Mendalam – Dalam proyek ini, akan menggunakan kumpulan data pengenalan objek CIFAR-10 sebagai tolok ukur untuk mengimplementasikan jaringan saraf dalam yang baru-baru ini diterbitkan.
- Proyek 5 – Resolusi Super Gambar dengan SRCNN – Pelajari cara menerapkan dan menggunakan versi Tensorflow dari Jaringan Saraf Konvolusional Resolusi Super (SRCNN) untuk meningkatkan kualitas gambar.
- Proyek 6 – Pemrosesan Bahasa Alami: Klasifikasi Teks – Dalam proyek ini, Anda akan mempelajari pendekatan lanjutan ke Bahasa Alami
Memproses dengan menyelesaikan tugas klasifikasi teks menggunakan beberapa algoritma klasifikasi.
- Proyek 7 – Pengelompokan K-Means Untuk Analisis Gambar – Dalam proyek ini, Anda akan belajar cara menggunakan pengelompokan K-Means secara tanpa pengawasan.
Metode pembelajaran menganalisis dan mengklasifikasikan citra berukuran 28 x 28 piksel dari dataset MNIST.
- Proyek 8 – Kompresi & Visualisasi Data Menggunakan Analisis Komponen Utama – Proyek ini akan menunjukkan kepada Anda cara mengompres
Dataset Iris kami menjadi kumpulan fitur 2D dan cara memvisualisasikannya melalui plot xy normal menggunakan pengelompokan k-means.
- Siswa yang ingin memahami dan menggunakan Pembelajaran mesin dalam proyek dunia nyata akan merasakan manfaat dari kursus ini
