Een conceptuele introductie tot vectorruimten, modeldoelen, pijplijnen en kleine classificatieprojecten.
Verbind de geometrische intuïtie van vectoren met de redenering van de dichtstbijzijnde buur, boostingbomen, verliesfuncties, voorverwerkingspijplijnen en twee compacte voorbeelden van neurale netwerken. De reeks gebruikt CampusX YouTube-lessen als uitgewerkte demonstraties. Het benadrukt de vraag welke gegevens, doelstellingen, splitsing en evaluatiemetingen een model gebruikt, in plaats van een codevoorbeeld te behandelen als bewijs dat een model zal generaliseren.
Geef een eenvoudig voorbeeld van machine learning weer in termen van functies, doelen en een kenmerkruimte. Vergelijk nearest-neighbour-classificatie en boosting op hoofdlijnen. Leg uit waarom een verliesfunctie en een voorverwerkingspijplijn belangrijk zijn. Documenteer een klein classificatie-experiment met een expliciete evaluatiecontrole.
Bekendheid met de basissyntaxis van Python en elementaire algebra wordt aanbevolen. Er wordt niet uitgegaan van een eerdere implementatie van machine learning.
Beginners die een duidelijke, begeleide introductie zonder onnodig jargon willen
Mensen die het beste leren met voorbeelden, begeleide lessen en praktische oefeningen
Professionals, makers en zelfstandige bouwers die een herhaalbare werkwijze zoeken
Les 1 is gratis
7 lessen · Beginner · Volledige cursus.
Deze cursus gebruikt CC BY-gelicentieerd materiaal met naamsvermelding van de inhoudsprovider of uploader. Lesvideo’s zijn alleen na aanmelding beschikbaar wanneer de publicatie- en licentiecontroles zijn geslaagd.