«`html
Профессиональная программа по искусственному интеллекту
Эта программа охватывает основные темы современного искусственного интеллекта, включая машинное обучение, глубокое обучение, обработку естественного языка и обучение с подкреплением. Основное внимание уделяется развитию навыков на практике для самостоятельного создания и инноваций моделей искусственного интеллекта, оптимизации производительности моделей и применения передовых техник, таких как генеративные языковые модели и мета-обучение, для практических применений и исследований в области ИИ.
Машинное обучение с учителем: регрессия и классификация
Этот курс обучает машинному обучению на Python с использованием NumPy и scikit-learn. Он охватывает обучение с учителем для предсказаний и бинарной классификации, фокусируясь на моделях, таких как линейная и логистическая регрессия. Эта программа, разработанная DeepLearning.AI и Stanford Online, предоставляет базовое понимание машинного обучения для создания практических приложений искусственного интеллекта.
Продвинутые алгоритмы обучения
Этот курс изучает продвинутые алгоритмы обучения с использованием TensorFlow для многоклассовой классификации с нейронными сетями. Он акцентирует лучшие практики обобщения моделей и применяет деревья решений, такие как случайные леса и улучшенные деревья для надежных решений в машинном обучении.
Обучение без учителя, рекомендации, обучение с подкреплением
Этот курс охватывает техники обучения без учителя, такие как кластеризация и обнаружение аномалий, а также создание систем рекомендаций с использованием коллаборативной фильтрации и методов глубокого обучения на основе контента. Кроме того, он предоставляет инструкции по созданию моделей глубокого обучения с подкреплением, предлагая всеобъемлющее исследование продвинутых приложений машинного обучения.
Специализация по применению ИИ в здравоохранении
Эта специализация исследует текущие и будущие применения ИИ в здравоохранении с целью безопасной и этичной интеграции соответствующих технологий. Разработана для специалистов в области здравоохранения и информационных технологий, включая курсовой проект для применения изученных концепций в путешествии данных пациентов.
Пробабилистические графические модели 1: Представление
Этот курс знакомит с пробабилистическими графическими моделями (ПГМ), которые кодируют сложные вероятностные распределения с использованием байесовских и марковских сетей, необходимых в ИИ для приложений, таких как медицинская диагностика и обработка естественного языка. Он охватывает теоретические и практические аспекты, с особым треком для практических заданий.
Пробабилистические графические модели 2: Вывод
Этот курс по пробабилистическим графическим моделям (ПГМ) охватывает вероятностный вывод, обучая точные и приближенные алгоритмы для ответов на вопросы в рамках высокомерных распределений. Как фундаментальный инструмент ИИ, ПГМ критичны для приложений, таких как медицинская диагностика и обработка естественного языка.
Пробабилистические графические модели 3: Обучение
Этот курс по пробабилистическим графическим моделям (ПГМ) фокусируется на обучении ПГМ из данных, включая оценку параметров как для направленных, так и для ненаправленных моделей и обучение структуры для направленных моделей. Он включает практические программные задания для применения этих алгоритмов обучения к реальным проблемам.
«`
