
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