Hoppa till innehållet
AI-grafen
Logga in
☰ Meny

Mål E Universitet

Klassisk ML på riktigt

Marginaler, avvikelser, rekommendationer och systematisk hyperparametersökning — de metoder som fortfarande löser de flesta problem billigare än ett neuronnät.

Kunskaper
64
Från noll
ca 47 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: ett neuronnät i ren NumPy — forward, backprop, gradientkontrollDsandlåda · ca 75 minLabb: gradient descent från grundenDi webbläsaren · ca 50 minLabb: 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 min

Hela vägen

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

AUpptäckare3 kunskaper
  1. Mönster och kategorier
  2. Sekvenser och exakta instruktioner
  3. Heltalsaritmetik och räkneordning
BUtforskare7 kunskaper
  1. Data i vardagen
  2. Algoritmiskt tänkande
  3. Regelbaserade system och maskininlärning
  4. Bråk, decimaltal och procent
  5. Negativa tal i vardagen och AI
  6. Träningsdata, features och etiketter
  7. Klassificering: hur en modell sorterar information
CByggare12 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. Linjär regression: anpassa en rät linje till data
  10. Neuronnät — intuitionen
  11. Variabler och algebraiska uttryck
  12. Potenser och rötter
DAI-utvecklare23 kunskaper
  1. Diskret matematik: grafer och relationer
  2. Derivata och optimering
  3. Tidskomplexitet och ordo-notation
  4. Datastrukturer: listor, stackar, köer, hashtabeller
  5. Betingad sannolikhet
  6. Bayes sats
  7. Sannolikhetsfördelningar
  8. Gradient descent
  9. Logaritmer
  10. Vektorer
  11. Klustring: k-means och hierarkisk
  12. k-närmaste grannar (kNN)
  13. Matriser och matrismultiplikation
  14. Linjär regression med flera features
  15. Logistisk regression och beslutsträd
  16. Beslutsträd
  17. Neuronnät — forward pass med matriser
  18. Backpropagation
  19. NumPy — arrayer och vektorisering
  20. Overfitting och generalisering
  21. Pandas — tabeller i Python
  22. Träning, validering och test
  23. Korsvalidering
EUniversitet17 kunskaper
  1. Konvexitet och optimeringslandskap
  2. Grafalgoritmer: BFS, DFS, topologisk ordning
  3. Maximum likelihood
  4. Anomalidetektion
  5. Ensembler: random forest och boosting
  6. Linjära avbildningar
  7. Egenvärden och egenvektorer
  8. Matrisfaktorisering och lågrangsapproximation
  9. Rekommendationssystem
  10. Sekvensmodeller före transformers
  11. Singulärvärdesuppdelning (SVD)
  12. PCA — principalkomponentanalys
  13. Dimensionsreduktion: PCA, t-SNE, UMAP
  14. Stödvektormaskiner (SVM)
  15. Tidsserier
  16. Sekvensmodeller för tidsserier
  17. Hyperparametersökning
FAI engineering2 kunskaper
  1. Bayesiansk inferens
  2. Grafneuronnät (GNN)