PricingLoginStart free
Machine Learning Academy logo
PythonAINiveauer A1 → B222 sprog

Machine Learning Academy

Lær maskinlæring fra de grundlæggende principper. Opbyg og evaluer modeller med scikit-learn, lær ensemblemetoder grundigt, og gå videre til deep learning med PyTorch. Et læringsforløb på CoddyKit med 30 korte kurser og 120 interaktive lektioner – med en AI-vejleder ved din side døgnet rundt.

Kurser
30
Lektioner
120
Interaktive trin
1,552
Gratis at komme i gang
Kursus 1
Kursusindhold

30 kurser på denne sti

Alle kurser på Machine Learning Academy-stien i læringsrækkefølge. Det første kursus er gratis.

1

A14 lektionerGratis

Opdag, hvad machine learning er, og hvordan det adskiller sig fra traditionel programmering. Udforsk de tre grundlæggende læringsparadigmer, og se eksempler fra den virkelige verden på, hvordan ML lø…

  1. 1Traditionel programmering eller machine learning
  2. 2Supervised, unsupervised og reinforcement learning
  3. 3ML-arbejdsgangen: Fra data til forudsigelse
  4. +1 flere
Start gratis
2

A14 lektionerPRO

Konfigurér et professionelt udviklingsmiljø til ML med Anaconda, Jupyter og den centrale videnskabelige Python-stack. Lær at manipulere arrays med NumPy og data frames med Pandas, så De kan indlæse,…

  1. 1Installation af Anaconda og Jupyter Notebook
  2. 2NumPy-grundlag: Arrays og matematiske operationer
  3. 3Pandas til datamanipulation
  4. +1 flere
Start gratisLås op med PRO
3

A14 lektionerPRO

Opbyg en intuitiv forståelse af supervised learning ved at træne Deres første prædiktive model fra bunden. Lær, hvordan lineær regression finder den linje, der passer bedst til dataene, og hvordan De…

  1. 1Linjes ligning: Hældning, skæring og forudsigelser
  2. 2Omkostningsfunktioner og mindste kvadraters metode
  3. 3Træning af lineær regression med scikit-learn
  4. +1 flere
Start gratisLås op med PRO
4

A14 lektionerPRO

Gå fra at forudsige tal til at forudsige kategorier. Udforsk logistisk regression som Deres første klassifikationsmodel, og lær, hvordan en sigmoidfunktion omdanner en lineær score til en sandsynligh…

  1. 1Fra regression til klassifikation: Beslutninger med tærskler
  2. 2Logistisk regression og sigmoidfunktionen
  3. 3Forvirringsmatricen forklaret
  4. +1 flere
Start gratisLås op med PRO
5

A14 lektionerPRO

Opdag, hvorfor evaluering af en model på dens egne træningsdata giver falsk optimistiske resultater, og hvordan De forebygger dette med korrekt opdeling af data. Få styr på train-test split, lær at g…

  1. 1Hvorfor De ikke kan evaluere på træningsdata
  2. 2train_test_split: Forhold, seeds og stratificering
  3. 3Bias-variance-afvejning: Underfitting eller overfitting
  4. +1 flere
Start gratisLås op med PRO
6

A24 lektionerPRO

Rådata er næsten aldrig klar til en model: Værdier mangler, skalaerne varierer voldsomt, og kategoriske strenge skal kodes. På dette kursus får De et systematisk værktøjssæt til at omdanne uensartede…

  1. 1Håndtering af manglende værdier: Fjern, imputér og markér
  2. 2Featureskalering: StandardScaler og MinMaxScaler
  3. 3Kodning af kategoriske variabler: OrdinalEncoder og OneHotEncoder
  4. +1 flere
Start gratisLås op med PRO
7

A24 lektionerPRO

Lær en af de mest intuitive algoritmer til klassifikation og regression: Forudsig etiketten for et nyt punkt ved flertalsafgørelse blandt dets k nærmeste naboer. Forstå, hvordan valget af k og afstan…

  1. 1Sådan fungerer KNN: Afstande, naboer og stemmer
  2. 2Valg af k: Albue-metoden og valideringskurver
  3. 3Afstandsmål: Euklidisk, Manhattan og Minkowski
  4. +1 flere
Start gratisLås op med PRO
8

A24 lektionerPRO

Beslutningstræer opdeler data ved at stille ja- eller nej-spørgsmål og opbygger et flowchart, der er let at visualisere og forklare for ikke-tekniske interessenter. Lær, hvordan algoritmen vælger den…

  1. 1Opbygning af et træ: Opdelinger, noder og blade
  2. 2Gini-urenhed og informationsgevinst
  3. 3Styring af trædybde for at forebygge overfitting
  4. +1 flere
Start gratisLås op med PRO
9

A24 lektionerPRO

Naive Bayes anvender Bayes' sætning med en stærk antagelse om uafhængighed, hvilket gør metoden lynhurtig på højdimensionelle tekstdata. Byg et spamfilter, udforsk, hvordan bag-of-words-vektorisering…

  1. 1Bayes' sætning i et letforståeligt sprog
  2. 2Bag of Words: CountVectorizer og TfidfVectorizer
  3. 3Træning af en multinomial Naive Bayes-klassifikator
  4. +1 flere
Start gratisLås op med PRO
10

A24 lektionerPRO

Nøjagtighed alene er en misvisende metrik, når klasserne er ubalancerede, eller omkostningerne ved fejlklassifikation varierer. Få styr på hele værktøjskassen til evaluering: ROC-AUC, precision-recal…

  1. 1Klassifikationsmål: Accuracy, precision, recall og F1
  2. 2ROC-kurver og AUC-ROC
  3. 3Regressionsmål: MAE, MSE, RMSE og R-squared
  4. +1 flere
Start gratisLås op med PRO
11

B14 lektionerPRO

Et enkelt beslutningstræ overfitter, mens en skov af forskellige træer generaliserer langt bedre. Lær, hvordan random forests aggregerer hundredvis af træer, der er trænet på tilfældige delmængder af…

  1. 1Bootstrap-aggregering (bagging) forklaret
  2. 2Tilfældig featureudvælgelse: Random Forest-tricket
  3. 3Out-of-Bag-fejl: Gratis validering i skoven
  4. +1 flere
Start gratisLås op med PRO
12

B14 lektionerPRO

SVM'er finder det hyperplan med maksimal margin, der adskiller klasserne, hvilket giver stærke teoretiske garantier for generalisering. Lær kernel-tricket, som gør det muligt for SVM'er at håndtere i…

  1. 1Klassifikator med maksimal margin: Supportvektorer og hyperplan
  2. 2SVM med soft margin og parameteren C
  3. 3Kerneltricket: RBF-, polynomielle og sigmoidkerneler
  4. +1 flere
Start gratisLås op med PRO
13

B14 lektionerPRO

Gradient boosting træner sekventielt svage læringsmodeller, hvor hver model korrigerer de resterende fejl fra den foregående. Resultatet er førende ydeevne på tabeldata. Få styr på XGBoost og LightGB…

  1. 1Intuition bag boosting: Sekventiel fejlkorrektion
  2. 2XGBoost: Regularisering, early stopping og feature-vigtighed
  3. 3LightGBM: Bladvis vækst og hastighedsfordele
  4. +1 flere
Start gratisLås op med PRO
14

B14 lektionerPRO

En enkelt train-test-opdeling kan være misvisende på grund af tilfældig variation i dataopdelingen. Krydsvalidering giver et mere pålideligt estimat ved at tage gennemsnittet af flere opdelinger, men…

  1. 1K-fold-krydvalidering: Opdeling uden datalæk
  2. 2Stratificeret krydsvalidering og krydsvalidering af tidsserier
  3. 3Grid Search vs. Random Search
  4. +1 flere
Start gratisLås op med PRO
15

B14 lektionerPRO

Kvaliteten af Deres features sætter loftet for modellens ydeevne, uanset hvilken algoritme De bruger. Lær at skabe nye informative features ud fra rådata gennem transformationer, vekselvirkninger og…

  1. 1Oprettelse af nye features: Logtransformationer, binning og interaktioner
  2. 2Udtræk af features fra dato og tid
  3. 3Featureudvælgelse: VarianceThreshold og SelectKBest
  4. +1 flere
Start gratisLås op med PRO
16

B14 lektionerPRO

Klyngedannelse er unsupervised learning, der finder naturlige grupperinger i data uden etiketter. Få styr på K-Means til kugleformede klynger og DBSCAN til klynger med vilkårlig form samt outlier-det…

  1. 1K-Means: Centroider, tildeling og opdateringstrin
  2. 2Valg af K: Albue-metoden og silhuetscoren
  3. 3DBSCAN: Kernepunkter, randpunkter og støj
  4. +1 flere
Start gratisLås op med PRO
17

B14 lektionerPRO

Højdimensionelle data er vanskelige at visualisere og indeholder ofte redundante features, der gør træningen langsommere. PCA komprimerer information til ortogonale komponenter, mens variansen bevare…

  1. 1PCA: Varians, egenvektorer og hovedkomponenter
  2. 2Projektion af data og rekonstruktion fra komponenter
  3. 3t-SNE: Bevarelse af nabolag til visualisering
  4. +1 flere
Start gratisLås op med PRO
18

B14 lektionerPRO

Scikit-learn Pipelines kæder forbehandlings- og modelleringstrin sammen i ét objekt, der forhindrer datalækage og forenkler implementeringen. Lær at opbygge, krydsvalidere og serialisere komplette pi…

  1. 1Opbygning af den første pipeline: Skaler plus klassifikator
  2. 2ColumnTransformer i en pipeline
  3. 3Krydsvalidering og grid-søgning i en komplet pipeline
  4. +1 flere
Start gratisLås op med PRO
19

B14 lektionerPRO

Ved svindeldetektion, medicinsk diagnosticering og mange andre kritiske anvendelser kan én klasse udgøre mindre end 1 % af eksemplerne. Træning på sådanne data giver misvisende høj nøjagtighed, mens…

  1. 1Registrering af ubalance: Klassefordeling og faldgruber ved baseline
  2. 2Tilfældig oversampling og SMOTE
  3. 3Tilfældig undersampling og Cluster Centroids
  4. +1 flere
Start gratisLås op med PRO
20

B14 lektionerPRO

En model er kun nyttig, når den kan lave forudsigelser på nye data uden for Deres Jupyter-notebook. Lær at gemme og versionere scikit-learn-pipelines, levere dem gennem en minimal REST API med FastAP…

  1. 1Lagring af modeller med joblib og pickle
  2. 2Versionsstyring af modeller: Hvorfor filnavne og metadata er vigtige
  3. 3Levering af forudsigelser med et FastAPI-endpoint
  4. +1 flere
Start gratisLås op med PRO
21

B24 lektionerPRO

PyTorch er det førende framework til deep learning inden for både forskning og produktion. Byg Deres første feedforward-neurale netværk fra tensorer og op, forstå autograd til gradientberegning, og t…

  1. 1PyTorch-tensorer: Oprettelse, operationer og GPU-overførsel
  2. 2Autograd: Automatisk differentiation til backpropagation
  3. 3Opbygning af et feedforward-netværk med nn.Module
  4. +1 flere
Start gratisLås op med PRO
22

B24 lektionerPRO

En god arkitektur er kun halvdelen af arbejdet; træningsdynamikken afgør, om netværket konvergerer mod en brugbar løsning. Få styr på læringsrater, batchnormalisering, dropout-regularisering og strat…

  1. 1Learning rate: Den vigtigste hyperparameter
  2. 2Batchnormalisering: Stabil og hurtigere træning
  3. 3Dropout-regularisering for at forhindre overfitting
  4. +1 flere
Start gratisLås op med PRO
23

B24 lektionerPRO

CNN'er udnytter den rumlige struktur i billeder gennem lokal deling af vægte og pooling. Det reducerer antallet af parametre og forbedrer samtidig translationsinvariansen. Byg en CNN-billedklassifika…

  1. 1Konvolution og filtre: Registrering af kanter og mønstre
  2. 2Poolinglag: Rumlig nedsampling og invarians
  3. 3Opbygning og træning af en CNN på CIFAR-10
  4. +1 flere
Start gratisLås op med PRO
24

B24 lektionerPRO

Sekventielle data som tidsserier, tekst og lyd indeholder tidslige afhængigheder, som almindelige feedforward-netværk ignorerer. RNN'er behandler sekvenser trin for trin med delte vægte, mens LSTM'er…

  1. 1Vanilla-RNN'er: Hidden state og sekvensudrulning
  2. 2Problemet med forsvindende gradienter over dybe tidstrin
  3. 3LSTM-cellen: Input-, forget- og output gates
  4. +1 flere
Start gratisLås op med PRO
25

B24 lektionerPRO

Træning af store netværk fra bunden kræver enorme datasæt og stor computerkraft. Transfer learning genbruger vægte fra modeller, der er fortrænet på millioner af eksempler, så De kan opnå høj nøjagti…

  1. 1Prætrænede modeller i torchvision: ResNet, EfficientNet og ViT
  2. 2Featureudtræk: Frysning af backbone
  3. 3Finjustering: Ophæv frysning og brug lave learning rates
  4. +1 flere
Start gratisLås op med PRO
26

B24 lektionerPRO

BERT's bidirektionelle transformerarkitektur forstår kontekst i begge retninger og overgår ældre sekventielle modeller på næsten alle NLP-benchmarks. Lær at finjustere en fortrænet BERT-model til sen…

  1. 1Transformerarkitektur: Attention, tokens og kontekst
  2. 2Hugging Face-tokenizere: Kodning af tekst til BERT
  3. 3Finjustering af BertForSequenceClassification
  4. +1 flere
Start gratisLås op med PRO
27

B24 lektionerPRO

MLOps bygger bro mellem machine learning-forskning og pålidelig softwareudvikling til produktion. Lær at spore eksperimenter med MLflow, skabe reproducerbare miljøer med Docker og automatisere pipeli…

  1. 1Eksperimenttracking med MLflow: Logning af parametre, metrikker og artefakter
  2. 2Reproducerbare miljøer med Docker til ML
  3. 3Modelregister: Staging, produktion og arkivering
  4. +1 flere
Start gratisLås op med PRO
28

B24 lektionerPRO

Modeller forringes ubemærket i produktion, når virkeligheden ændrer sig og fjerner sig fra træningsbetingelserne. Lær at overvåge fordelingen af forudsigelser, opdage data- og konceptdrift tidligt og…

  1. 1Datadrift: Skift i featurefordelinger over tid
  2. 2Konceptdrift: Når forholdet mellem X og Y ændrer sig
  3. 3Overvågning af forudsigelsesfordelinger og konfidensscorer
  4. +1 flere
Start gratisLås op med PRO
29

B24 lektionerPRO

Når ML-systemer træffer beslutninger med store konsekvenser inden for ansættelser, långivning og sundhed, er forståelse og audit af modellens adfærd både et etisk imperativ og et lovkrav i mange juri…

  1. 1SHAP-værdier: Global og lokal feature-vigtighed
  2. 2LIME: Lokale, fortolkelige og modelagnostiske forklaringer
  3. 3Fairness-metrikker: Demografisk paritet og lige muligheder
  4. +1 flere
Start gratisLås op med PRO
30

B24 lektionerPRO

Saml alle færdighederne fra dette spor i ét komplet projekt: indhent og rens et ægte datasæt, udvikl features, træn og finjustér flere modeller, evaluér og sammenlign dem, og pak samt dokumentér dere…

  1. 1Projektafgrænsning: Definition af problem og succeskriterier
  2. 2Dataklargøring og eksplorativ dataanalyse
  3. 3Turnering i modelvalg: Sammenlign fem algoritmer
  4. +1 flere
Start gratisLås op med PRO
CoddyKit PRO

Lås op for alle 30 kurser på denne sti og alle kurser på alle andre stier

AI-vejleder, certificeringseksamen og certifikat. Fungerer på web, iOS og Android.

Se alle abonnementer
Årligt$29.90 / årCa. $2.49 om månedenBetal én gangLivstid$69.99 én gangIngen fornyelser. PRO for altid.
Kursusoversigt

Maskinlæring med Python

Lær maskinlæring fra bunden. Byg og evaluer modeller med scikit-learn, bliv fortrolig med ensemblemetoder, og skaler op til deep learning med PyTorch. Dette læringsspor dækker 30 progressive minikurser fra helt nybegynder (A1) til avanceret (B2) med korte, fokuserede lektioner og hurtige quizzer, der hjælper dig med at fastholde hvert koncept.

Det lærer du

Du begynder med det grundlæggende og bygger videre gennem emner på mellemtrin og avanceret niveau, hvor hvert kursus bygger videre på det forrige. Alle lektioner er praktiske med virkelige eksempler og en AI-underviser, når du har brug for hjælp.

Sådan fungerer det

Hvert kursus er opdelt i fire fokuserede lektioner. Gennemfør et par lektioner om dagen, så mestrer du hele læringssporet på uger i stedet for måneder.

Værktøjer

Øv dig med AI – læs ikke bare

Få mere ud af din læring med AI-drevne værktøjer og funktioner

AI-chatChat med en AI-underviserStil et superspørgsmålFå svar på ekspertniveauPROOpret lektionAI-drevet værktøj til at oprette lektionerPROStart certificeringseksamenFå dit certifikatPROStart udfordringAfprøv dine færdigheder

Sådan lærer du

  1. 01

    Interaktive lektioner

    Praktiske kodeøvelser med feedback i realtid

  2. 02

    AI-underviser

    Få øjeblikkelig hjælp fra vores AI, når du sidder fast

  3. 03

    Indbygget editor

    Skriv og kør kode direkte i din browser

  4. 04

    Certifikat

    Få et certifikat, når du gennemfører kurset

Udforsk videre

Relaterede læringsstier

Deep Learning Academy logoDeep Learning AcademyMaster deep learning with PyTorch, from neurons and backpropagation to CNNs, Transformers…Data Science Academy logoData Science AcademyTurn raw data into insight with Python. Master NumPy, pandas, visualization, and scikit-l…NLP Academy logoNLP AcademyBuild language AI with Python. From text preprocessing and embeddings to Transformers, na…MLOps Academy logoMLOps AcademyTake ML models to production: experiment tracking, serving, CI/CD, monitoring, and drift…Mojo Academy logoMojo AcademyLearn Mojo, Modular's Python-family language built for AI speed. Write Python-like code w…Pandas & NumPy Academy logoPandas & NumPy AcademyGo from spreadsheets to production-grade data analysis. Master NumPy arrays, Pandas DataF…
Ofte stillede spørgsmål

Ofte stillede spørgsmål

Er Machine Learning Academy-kurset gratis?

Ja. Du kan begynde på Machine Learning Academy-kurset gratis og gennemføre de interaktive lektioner uden omkostninger. Et valgfrit PRO-abonnement giver adgang til avancerede AI-værktøjer og et certifikat, der kan deles.

Skal jeg have erfaring på forhånd for at lære Python?

Nej. Kurset begynder med det grundlæggende og bevæger sig gradvist videre til mere avancerede emner, så du kan starte uden tidligere erfaring med Python.

Hvordan lærer jeg Python på CoddyKit?

Du lærer ved at øve dig. Korte interaktive lektioner kombinerer en tydelig forklaring med en praktisk kodeøvelse, der kører i realtid, og en AI-vejleder, der er tilgængelig døgnet rundt, hjælper dig personligt, når du sidder fast.

Får jeg et certifikat, når jeg gennemfører Machine Learning Academy?

Ja. PRO-brugere kan tage en eksamen og få et certifikat for gennemførelse af Machine Learning Academy-kurset, som kan deles og indeholder en verificerbar kode.

Kan jeg lære Python på min telefon?

Ja. CoddyKit er tilgængeligt på nettet og som indbyggede iOS- og Android-apps, så du kan lære Python på enhver enhed, og dine fremskridt synkroniseres på tværs af dem.

Hvad koster CoddyKit PRO?

Det første kursus på Machine Learning Academy-stien er gratis. CoddyKit PRO giver adgang til alle kurser: $5.90 om ugen, $7.90 om måneden, $29.90 om året eller $69.99 én gang for livstidsadgang uden fornyelser.

Hvor lang tid tager det at gennemføre Machine Learning Academy?

Machine Learning Academy har 30 kurser og 120 lektioner. De fleste lektioner tager cirka 5–10 minutter, så hele stien kræver omkring 14 timers praktisk øvelse i dit eget tempo.

Start på Machine Learning Academy nu

Slut dig til tusindvis af kursister, der mestrer programmering med AI-drevne lektioner.

Start gratisSe alle kurser