Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål D AI-utvecklare

Klassisk maskininlärning i praktiken

Logistisk regression, träd, kNN och klustring — med korsvalidering, rätt mått och bias–varians som ram. Ofta bättre än ett neuronnät på tabelldata.

Kunskaper
43
Från noll
ca 25 h
Labbar
6
Se vad du redan kan — utan konto

Diagnosen föreslår en startpunkt. Övningarna visar vad du faktiskt kan.

Det här kan du efteråt

Labbar på vägen

Du skriver koden. Tester du inte ser avgör om den håller.

Labb: k-means från grundenDsandlåda · ca 45 minLabb: k-närmaste grannar från grundenDsandlåda · ca 45 minLabb: matrismultiplikation och ett lager i ett neuronnätDi webbläsaren · ca 45 minLabb: skalärprodukt, norm och cosinuslikhetDi webbläsaren · ca 40 minLabb: bästa linjen med minsta kvadratmetodenCi webbläsaren · ca 40 minLabb: dina första Python-funktionerCi webbläsaren · ca 30 min

Hela vägen

Allt målet bygger på, grupperat per nivå och i den ordning det bygger på varandra. Visa på kartan

AUpptäckare6 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
  4. Jämföra och sortera värden
  5. Träna en maskin med exempel
  6. Träffsäkerhet: hur bra är modellen?
BUtforskare7 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Koordinater: positioner i ett rutnät
  5. Närmaste granne: klassificering baserat på likhet
  6. Träningsdata, features och etiketter
  7. Klassificering: hur en modell sorterar information
CByggare11 kunskaper
  1. Funktioner och koordinatsystem
  2. Programmeringslogik — variabler, villkor, loopar
  3. Python — grunderna
  4. Python — listor, loopar och dictionaries
  5. Python — strängar och textbehandling
  6. Python — filer, CSV och JSON
  7. Statistik — medelvärde, median och spridning
  8. Sannolikhet — grunderna
  9. Gruppera utan facit: klustring för hand
  10. Överanpassning: skillnaden mellan att lära sig regeln och att memorera
  11. Linjär regression: anpassa en rät linje till data
DAI-utvecklare18 kunskaper
  1. Betingad sannolikhet
  2. Bayes sats
  3. Textförbehandling
  4. Naive Bayes
  5. Vektorer
  6. Klustring: k-means och hierarkisk
  7. k-närmaste grannar (kNN)
  8. Matriser och matrismultiplikation
  9. Linjär regression med flera features
  10. Logistisk regression och beslutsträd
  11. Beslutsträd
  12. NumPy — arrayer och vektorisering
  13. Overfitting och generalisering
  14. Pandas — tabeller i Python
  15. Regressionsmått: MAE, RMSE, R²
  16. scikit-learn — arbetsflödet
  17. Träning, validering och test
  18. Korsvalidering
EUniversitet1 kunskaper
  1. Bias–varians-avvägningen