了解不同類型的機器學習算法的詳細信息,並對其進行調整以優化其對任何應用程序的性能。儘管AI基礎知識涵蓋瞭如何在回歸和分類中使用不同的算法,但在這裡我們描述了它們在內部如何工作以及如何對其進行調整。我們還將介紹一種重要的新型算法。神經網絡(深度學習),用於理解圖像,聲音和視頻。
主題,工具和模塊:
•詳細了解ML算法的細節
-KNN
-決策樹
-線性回歸
•構建和調整這些ML算法的超參數,以構建端到端的工作系統。了解什麼是超參數,現在它們可以控制這些算法的行為,以及如何修改它們。了解正則化和特徵工程的核心概念。
•學習了解公開可用的數據集(例如Kaggle)中的問題類型和合適的算法。
•訓練AI學習和參與目標射擊遊戲。教您的AI正確指向目標。您可以使用活躍的遊戲玩法或數學來創建訓練集。
•攜帶自己的數據並在代碼實驗室中構建自定義的AI驅動的應用程序。您可以使用任何喜歡的語言進行編程。我們將提供Python,Scratch,Java和Javascript的示例。
先決條件
•帶上自己的筆記本電腦上課
•AI基礎課程(M1)或8年級的學生。如果不確定是否滿足此要求,請聯繫info@pyxeda.ai。
•基本的線性代數和概率背景將很有用,但不是嚴格的要求。
學生帶走的東西
•AIClub的結業證書。
•他們可以用來使用筆記本電腦,平板電腦或其他設備來構建新的ML和AI應用程序的雲帳戶。
•AIClub會員資格,他們可以訪問新項目,展示其代碼並參加比賽。完成高級課程將使他們具備開發和展示更多高級項目以及參加高級比賽所需的技能。