×
1 Vælg EITC/EITCA-certifikater
2 Lær og tag online eksamener
3 Få dine IT-kompetencer certificeret

Bekræft dine it-færdigheder og -kompetencer under den europæiske it-certificeringsramme fra hvor som helst i verden, helt online.

EITCA Academy

Standard for attestering af digitale færdigheder af European IT Certification Institute med det formål at understøtte udviklingen af ​​det digitale samfund

Log ind på din konto af enten dit brugernavn eller e-mail-adresse

OPRET EN KONTO Glemt din adgangskode?

FORGÅ DIN DETALJER?

AAH, vent, jeg HUSK NU!

OPRET EN KONTO

HAR DU ALLEREDE EN BRUGER?
EUROPÆISKE INFORMATIONSTEKNOLOGIER CERTIFICERINGSAKADEMI - AT TESTE DINE FAGLIGE DIGITALE FÆRDIGHEDER
  • TILMELD DIG
  • LOGIN
  • INFO

EITCA Academy

EITCA Academy

Det Europæiske Institut for Certifikation af Informationsteknologi - EITCI ASBL

Certificeringsmyndighed

EITCI Instituttet

Bruxelles, Den Europæiske Union

Regulerende europæisk it-certificering (EITC) -standard til støtte for it-professionalisme og det digitale samfund

  • CERTIFIKATER
    • EITCA-AKADEMIER
      • EITCA ACADEMIES-KATALOG<
      • EITCA/CG COMPUTER GRAFIK
      • EITCA/ER INFORMATIONSSIKKERHED
      • EITCA/BI FORRETNINGSINFORMATION
      • EITCA/KC Nøglekompetencer
      • EITCA/EG E-REGERING
      • EITCA/WD WEB UDVIKLING
      • EITCA/AI KUNSTIG INTELLIGENCE
    • EITC-CERTIFIKATER
      • EITC CERTIFIKATER KATALOG<
      • COMPUTERGRAFIKCERTIFIKATER
      • WEB-DESIGNCERTIFIKATER
      • 3D-DESIGNCERTIFIKATER
      • KONTOR DETS CERTIFIKATER
      • BITCOIN BLOCKCHAIN ​​CERTIFIKAT
      • WORDPRESS CERTIFIKAT
      • CLOUD PLATFORM CERTIFIKATNY
    • EITC-CERTIFIKATER
      • INTERNETCERTIFIKATER
      • KRYPTOGRAFICERTIFIKATER
      • FORRETNINGSDET CERTIFIKATER
      • TELEVERKSCERTIFIKATER
      • PROGRAMMERINGSCERTIFIKATER
      • DIGITAL PORTRETSCERTIFIKAT
      • WEBUDVIKLINGSCERTIFIKATER
      • DYPE LÆRINGSCERTIFIKATERNY
    • CERTIFIKATER FOR
      • EU OFFENTLIG ADMINISTRATION
      • LÆRERE OG UDDANNELSE
      • DET SIKKERHEDSFORLIGERE
      • GRAFIK DESIGNERE & KUNSTNERE
      • BUSINESSMEN OG MANAGERS
      • BLOCKCHAIN-UDVIKLERE
      • WEB-UDVIKLERE
      • CLOUD AI EKSPERTERNY
  • SPECIAL
  • TILSKUD
  • SÅDAN VIRKER DET
  •   IT ID
  • OM
  • KONTAKT
  • MIN BESTILLING
    Din nuværende ordre er tom.
EITCIINSTITUTE
CERTIFIED

EITC/AI/MLP maskinindlæring med Python

by admin / Tirsdag 02 februar 2021 / Udgivet i Ikke kategoriseret
Nuværende status
Ikke tilmeldt
Pris
€110
Kom i gang
Tilmeld dig denne certificering

EITC/AI/MLP Machine Learning med Python er det europæiske IT-certificeringsprogram på de grundlæggende forudsætninger for programmering af maskinlæring med Python-sprog.

Læreplanen for EITC/AI/MLP Machine Learning med Python fokuserer på teoretiske og praktiske færdigheder inden for maskinlæringsprogrammering organiseret inden for følgende struktur, omfattende omfattende videodidaktisk indhold som en reference til denne EITC-certificering.

Machine learning (ML) er studiet af computeralgoritmer, der forbedres automatisk gennem erfaring. Det ses som en del af kunstig intelligens. Maskinindlæringsalgoritmer bygger en model baseret på eksempeldata, kendt som træningsdata, for at komme med forudsigelser eller beslutninger uden at være eksplicit programmeret til at gøre det.

Maskinindlæringsalgoritmer bruges i en lang række applikationer, såsom e-mail-filtrering og computersyn, hvor det er vanskeligt eller umuligt at udvikle konventionelle algoritmer til at udføre de nødvendige opgaver. Maskinindlæring blev defineret i 1959 af Arthur Samuel som ”det fagområde, der giver computere mulighed for at lære uden at være eksplicit programmeret”.

En delmængde af maskinindlæring er tæt knyttet til beregningsstatistik, der fokuserer på at forudsige brug af computere, men ikke al maskinindlæring er statistisk læring. Undersøgelsen af ​​matematisk optimering leverer metoder, teori og anvendelsesdomæner til maskinindlæring. Data mining er et beslægtet felt, der fokuserer på sonderende dataanalyse gennem ikke-overvåget læring. I sin anvendelse på tværs af forretningsproblemer kaldes maskinindlæring også som forudsigende analyse.

Maskinindlæringsmetoder er traditionelt opdelt i tre brede kategorier afhængigt af karakteren af ​​det "signal" eller "feedback", der er tilgængeligt for læringssystemet:

  • Overvåget læring: Computeren præsenteres med eksempler på input og deres ønskede output, givet af en "lærer", og målet er at lære en generel regel, der kortlægger input til output.
  • Uovervåget læring: Ingen etiketter gives til indlæringsalgoritmen, hvilket efterlader det alene for at finde struktur i dets input. Uovervåget læring kan være et mål i sig selv (opdage skjulte mønstre i data) eller et middel mod et mål (funktionslæring).
  • Forstærkningslæring: Et computerprogram interagerer med et dynamisk miljø, hvor det skal udføre et bestemt mål (såsom at køre et køretøj eller spille et spil mod en modstander). Når det navigerer i sit problemrum, får programmet feedback, der er analog med belønninger, som det forsøger at maksimere.

Andre tilgange er blevet udviklet, som ikke passer pænt ind i denne tredobbelt kategorisering, og nogle gange bruges mere end en af ​​det samme maskinlæringssystem. For eksempel emnemodellering, dimensionalitetsreduktion eller metalæring.

Fra 2020 er dyb læring blevet den dominerende tilgang til meget løbende arbejde inden for maskinlæring.

Python er et fortolket programmeringssprog på højt niveau og generelt formål. Pythons designfilosofi lægger vægt på kodelæsbarhed med sin bemærkelsesværdige brug af betydningsfuldt mellemrum. Dens sprogkonstruktioner og objektorienteret tilgang sigter mod at hjælpe programmører med at skrive klar, logisk kode til små og store projekter. Python er ofte beskrevet som et ”batteri inkluderet” sprog på grund af dets omfattende standardbibliotek. Python bruges almindeligvis i kunstig intelligensprojekter og maskinindlæringsprojekter ved hjælp af biblioteker som TensorFlow, Keras, Pytorch og Scikit-learn.

Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af ​​1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).

Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.

Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.

En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.

Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.

For at gøre dig nærmere bekendt med certificeringspensum kan du udvide og analysere nedenstående tabel.

EITC/AI/MLP Machine Learning with Python Certification Curriculum refererer til didaktisk materiale med åben adgang i en videoform af Harrison Kinsley. Læreprocessen er opdelt i en trin-for-trin struktur (programmer -> lektioner -> emner), der dækker relevante læseplansdele. Der tilbydes også ubegrænset rådgivning med domæneeksperter.
Tjek for detaljer om certificeringsproceduren Sådan fungerer det.

Maskinindlæring blev defineret i 1959 af Arthur Samuel som "det fagområde, der giver computere mulighed for at lære uden at være eksplicit programmeret". Programmet EITC/AI/MLPP Machine Learning Programming with Python sigter mod at introducere grundlæggende i maskinindlæring (inklusive grundlæggende forståelse af teorien) med fokus på programmering med Python. Bortset fra teorien dækker det applikationer sammen med teoretiske og praktiske aspekter af overvågede, ikke-overvågede og dyblærende maskinlæringsalgoritmer. Programmet dækker lineær regression, K nærmeste naboer, Support Vector Machines (SVM), flad klyngedannelse, hierarkisk klyngedannelse og neurale netværk. Det inkluderer grundlæggende forestillinger om de involverede algoritmer og logikken bagved. Det dækker også diskussion af anvendelserne af algoritmerne i programmering ved hjælp af eksempler på reelle datasæt sammen med moduler (f.eks. Scikit-Learn). Programmet vil også dække detaljer om hver af algoritmerne ved at implementere disse algoritmer i kode, herunder den involverede matematik med indsigt i, hvordan algoritmerne fungerer nøjagtigt, hvordan de kan modificeres, og hvad er deres egenskaber, herunder fordele og ulemper. Algoritmerne involveret i maskinindlæring er ret enkle (som betinget af deres skaleringsnødvendighed for store datasæt), ligesom matematikken, som de er baseret på (lineær algebra).

Ressourcer til læseplanreferencer

Python-dokumentation
https://www.python.org/doc/

Python frigiver downloads
https://www.python.org/downloads/

Python for begyndere guide
https://www.python.org/about/gettingstarted/

Python Wiki Begyndervejledning
https://wiki.python.org/moin/BeginnersGuide

W3Schools Python Machine Learning Tutorial
https://www.w3schools.com/python/python_ml_getting_started.asp

Certificeringsprogram Curriculum

Udvid alle
Introduktion 1 emne
Udvid
Lektionsindhold
0% Komplet 0/1 trin
Introduktion til praktisk maskinlæring med Python
Regression 6 emner
Udvid
Lektionsindhold
0% Komplet 0/6 trin
Introduktion til regression
Regression funktioner og etiketter
Regressionstræning og testning
Regression prognoser og forudsigelse
Bejdsning og skalering
Forståelse af regression
Programmering af maskinindlæring 12 emner
Udvid
Lektionsindhold
0% Komplet 0/12 trin
Programmering af den bedste pasningshældning
Programmering af den bedste pasformslinje
R kvadrat teori
Programmering af R i firkant
Test af antagelser
Introduktion til klassificering med K nærmeste naboer
K nærmeste nabosøgning
Euklidisk afstand
Definition af K nærmeste nabos algoritme
Programmering af egen K nærmeste nabealgoritme
Anvendelse af egen K nærmeste nabealgoritme
Oversigt over K nærmeste nabos algoritme
Support vektor maskine 14 emner
Udvid
Lektionsindhold
0% Komplet 0/14 trin
Support vektor maskintroduktion og anvendelse
Forståelse af vektorer
Støtte vektor påstand
Støtte vektor maskine grundlæggende
Støtte vektor maskine optimering
Oprettelse af en SVM fra bunden
SVM træning
SVM-optimering
Afslutning af SVM fra bunden
Kernel introduktion
Årsager til kerner
SVM med blød margen
Blød margen SVM og kerner med CVXOPT
SVM-parametre
Klyngedannelse, k-middel og middel skift 9 emner
Udvid
Lektionsindhold
0% Komplet 0/9 trin
Clustering introduktion
Håndtering af ikke-numeriske data
K betyder med titanisk datasæt
Brugerdefineret K betyder
K betyder fra bunden
Gennemsnitlig introduktion af skift
Gennemsnitlig forskydning med titanisk datasæt
Gennemsnitlig skift fra bunden
Gennemsnitlig dynamisk båndbredde
EITC/AI/MLP maskinindlæring med Python
  • Tweet

Om admin

Forside » Min profil

Certificeringscenter

Program Hjem Udvid alle
Introduktion
1 emne
Introduktion til praktisk maskinlæring med Python
Regression
6 emner
Introduktion til regression
Regression funktioner og etiketter
Regressionstræning og testning
Regression prognoser og forudsigelse
Bejdsning og skalering
Forståelse af regression
Programmering af maskinindlæring
12 emner
Programmering af den bedste pasningshældning
Programmering af den bedste pasformslinje
R kvadrat teori
Programmering af R i firkant
Test af antagelser
Introduktion til klassificering med K nærmeste naboer
K nærmeste nabosøgning
Euklidisk afstand
Definition af K nærmeste nabos algoritme
Programmering af egen K nærmeste nabealgoritme
Anvendelse af egen K nærmeste nabealgoritme
Oversigt over K nærmeste nabos algoritme
Support vektor maskine
14 emner
Support vektor maskintroduktion og anvendelse
Forståelse af vektorer
Støtte vektor påstand
Støtte vektor maskine grundlæggende
Støtte vektor maskine optimering
Oprettelse af en SVM fra bunden
SVM træning
SVM-optimering
Afslutning af SVM fra bunden
Kernel introduktion
Årsager til kerner
SVM med blød margen
Blød margen SVM og kerner med CVXOPT
SVM-parametre
Klyngedannelse, k-middel og middel skift
9 emner
Clustering introduktion
Håndtering af ikke-numeriske data
K betyder med titanisk datasæt
Brugerdefineret K betyder
K betyder fra bunden
Gennemsnitlig introduktion af skift
Gennemsnitlig forskydning med titanisk datasæt
Gennemsnitlig skift fra bunden
Gennemsnitlig dynamisk båndbredde
EITC/AI/MLP maskinindlæring med Python

BRUGERMENU

  • Mine reservationer

CERTIFIKATKATEGORI

  • EITC-certificering (105)
  • EITCA-certificering (9)

Hvad leder du efter?

  • Introduktion
  • Hvordan det virker?
  • EITCA akademier
  • EITCI DSJC-tilskud
  • Fuldt EITC-katalog
  • Din ordre
  • Udvalgt
  •   IT ID
  • Om
  • Kontakt

    EITCA Akademiets administrative kontor

    Europæisk IT-certificeringsinstitut
    Bruxelles, Belgien, Den Europæiske Union

    EITC/EITCA Certification Authority
    Gældende europæisk it-certificeringsstandard
    Adgang kontaktformular eller opkald + 32 25887351

    13 dage siden #EITC/WD/WPF WordPress Fundamentals-certifikat (en del af #EITCA/WD) attesterer ekspertise i #WordPress CMS, i... https://t.co/A2jjXPeKgj
    Følg @EITCI

    Oversæt automatisk til dit sprog

    Vilkår & Betingelser | Privatlivspolitik
    Følg @EITCI
    EITCA Academy
    • EITCA Academy på sociale medier
    EITCA Academy


    © 2008-2023  Europæisk IT-certificeringsinstitut
    Bruxelles, Belgien, Den Europæiske Union

    TOP
    Chat med support
    Chat med support
    Spørgsmål, tvivl, problemer? Vi er her for at hjælpe dig!
    Afslut chat
    Tilslutning ...
    Har du et spørgsmål? Spørg os!
    Har du et spørgsmål? Spørg os!
    :
    :
    :
    Send
    Har du et spørgsmål? Spørg os!
    :
    :
    Start chat
    Chat-sessionen er afsluttet. Tak skal du have!
    Bedøm den support, du har modtaget.
    god Bad