Maskinlæring ble definert i 1959 av Arthur Samuel som "studieretningen som gir datamaskiner muligheten til å lære uten å være eksplisitt programmert". Programmet EITC/AI/MLPP Machine Learning Programming with Python tar sikte på å introdusere grunnleggende maskinlæring (inkludert grunnleggende forståelse av teorien) med fokus på programmering med Python. Bortsett fra teorien dekker den applikasjoner sammen med teoretiske og praktiske aspekter av veiledede, uten tilsyn og dyplærende maskinlæringsalgoritmer. Programmet dekker lineær regresjon, K nærmeste naboer, Support Vector Machines (SVM), flatklynging, hierarkisk klynging og nevrale nettverk. Det inkluderer grunnleggende forestillinger om involverte algoritmer og logikken bak. Det dekker også diskusjon av applikasjonene til algoritmene i programmering ved hjelp av eksempler på reelle datasett sammen med moduler (f.eks. Scikit-Learn). Programmet vil også dekke detaljer om hver av algoritmene ved å implementere disse algoritmene i kode, inkludert den involverte matematikken med innsikt i hvordan nøyaktig algoritmene fungerer, hvordan de kan modifiseres, og hva er deres egenskaper, inkludert fordeler og ulemper. Algoritmikken som er involvert i maskinlæring er ganske enkel (som betinget av deres skaleringsnødvendighet for store datasett), og det samme er matematikken de er basert på (lineær algebra).
Læreplaner Referanse Ressurser
Python-dokumentasjon
https://www.python.org/doc/
Python lanserer nedlastinger
https://www.python.org/downloads/
Python for nybegynnere
https://www.python.org/about/gettingstarted/
Python Wiki Nybegynnerguide
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python maskinlæringsopplæring
https://www.w3schools.com/python/python_ml_getting_started.asp
Last ned det komplette offline selvlærende forberedende materialet for EITC/AI/MLP Machine Learning with Python-programmet i en PDF-fil
EITC/AI/MLP forberedende materialer – standardversjon
EITC/AI/MLP forberedende materialer – utvidet versjon med gjennomgangsspørsmål