PricingLoginStart free
Machine Learning Academy logo
PythonAINivåer A1 → B222 språk

Machine Learning Academy

Lær maskinlæring fra grunnprinsippene. Bygg og evaluer modeller med scikit-learn, lær ensemblemetoder og skaler opp til dyp læring med PyTorch. En læringssti fra CoddyKit med 30 korte kurs og 120 interaktive leksjoner, med en AI-veileder tilgjengelig døgnet rundt.

Kurs
30
Leksjoner
120
Interaktive trinn
1,552
Gratis å komme i gang
Kurs 1
Kursinnhold

30 kurs i denne læringsstien

Alle kursene i læringsstien Machine Learning Academy, i læringsrekkefølge. Det første er gratis.

1

A14 leksjonerGratis

Oppdag hva maskinlæring er, og hvordan det skiller seg fra tradisjonell programmering. Utforsk de tre grunnleggende læringsparadigmene og se eksempler fra virkeligheten på hvordan ML løser problemer…

  1. 1Tradisjonell programmering kontra maskinlæring
  2. 2Overvåket, ikke-overvåket og forsterkende læring
  3. 3ML-arbeidsflyten: Fra data til prediksjon
  4. +1 flere
Start læringen gratis
2

A14 leksjonerPRO

Konfigurer et profesjonelt utviklingsmiljø for ML med Anaconda, Jupyter og den sentrale vitenskapelige Python-stakken. Lær å manipulere matriser med NumPy og dataframes med Pandas, slik at De kan las…

  1. 1Installere Anaconda og Jupyter Notebook
  2. 2Det viktigste i NumPy: Tabeller og matematiske operasjoner
  3. 3Pandas for datamanipulering
  4. +1 flere
Start læringen gratisLås opp med PRO
3

A14 leksjonerPRO

Bygg en intuitiv forståelse av veiledet læring ved å trene Deres første prediktive modell fra grunnen av. Lær hvordan lineær regresjon finner den best tilpassede linjen gjennom dataene, og hvordan De…

  1. 1Linjeligningen: Stigningstall, konstantledd og prediksjoner
  2. 2Kostnadsfunksjoner og minste kvadrater
  3. 3Trene lineær regresjon med scikit-learn
  4. +1 flere
Start læringen gratisLås opp med PRO
4

A14 leksjonerPRO

Gå fra å predikere tall til å predikere kategorier. Utforsk logistisk regresjon som Deres første klassifikator, og lær hvordan en sigmoidfunksjon omgjør en lineær skår til en sannsynlighet. De vil kl…

  1. 1Fra regresjon til klassifisering: Beslutninger med terskelverdi
  2. 2Logistisk regresjon og sigmoidfunksjonen
  3. 3Forklaring av forvekslingsmatrisen
  4. +1 flere
Start læringen gratisLås opp med PRO
5

A14 leksjonerPRO

Oppdag hvorfor evaluering av en modell på treningsdataene alene gir falskt optimistiske resultater, og hvordan De unngår dette med riktig oppdeling av data. Bli fortrolig med train-test-splittet, lær…

  1. 1Hvorfor De ikke kan evaluere på treningsdata
  2. 2train_test_split: Forhold, frø og stratifisering
  3. 3Avveiningen mellom bias og varians: Under- og overtilpasning
  4. +1 flere
Start læringen gratisLås opp med PRO
6

A24 leksjonerPRO

Rådata er nesten aldri klar for en modell: verdier mangler, skalaene varierer kraftig, og kategoriske strenger må kodes. I dette kurset får De et systematisk verktøysett for å omforme uoversiktlige i…

  1. 1Håndtering av manglende verdier: Fjern, imputér og marker
  2. 2Skalering av egenskaper: StandardScaler og MinMaxScaler
  3. 3Koding av kategoriske variabler: OrdinalEncoder og OneHotEncoder
  4. +1 flere
Start læringen gratisLås opp med PRO
7

A24 leksjonerPRO

Lær en av de mest intuitive algoritmene for klassifisering og regresjon: prediker etiketten til et nytt punkt ved flertallsavstemning blant de k nærmeste naboene. Forstå hvordan valget av k og avstan…

  1. 1Slik fungerer KNN: Avstand, naboer og stemmer
  2. 2Velge k: Albue-metoden og valideringskurver
  3. 3Avstandsmål: Euklidsk, Manhattan og Minkowski
  4. +1 flere
Start læringen gratisLås opp med PRO
8

A24 leksjonerPRO

Beslutningstrær deler opp data ved å stille ja/nei-spørsmål og bygger et flytskjema som er lett å visualisere og forklare for ikke-tekniske interessenter. Lær hvordan algoritmen velger den beste oppd…

  1. 1Bygge et tre: Splitt, noder og blader
  2. 2Gini-urenhet og informasjonsgevinst
  3. 3Kontrollere tredybden for å unngå overtilpasning
  4. +1 flere
Start læringen gratisLås opp med PRO
9

A24 leksjonerPRO

Naive Bayes bruker Bayes’ teorem med en sterk antakelse om uavhengighet, noe som gjør metoden svært rask på høy-dimensjonale tekstdata. Bygg et søppelpostfilter, utforsk hvordan bag-of-words-vektoris…

  1. 1Bayes' teorem forklart enkelt
  2. 2Bag-of-words: CountVectorizer og TfidfVectorizer
  3. 3Trene en multinomisk Naive Bayes-klassifikator
  4. +1 flere
Start læringen gratisLås opp med PRO
10

A24 leksjonerPRO

Nøyaktighet alene er et misvisende mål når klassene er ubalanserte eller kostnadene ved feilklassifisering varierer. Bli fortrolig med hele verktøysettet for evaluering: ROC-AUC, presisjon-gjenkallin…

  1. 1Klassifikasjonsmål: Accuracy, precision, recall og F1
  2. 2ROC-kurver og AUC-ROC
  3. 3Regresjonsmål: MAE, MSE, RMSE og R-kvadrat
  4. +1 flere
Start læringen gratisLås opp med PRO
11

B14 leksjonerPRO

Ett enkelt beslutningstre overtilpasser, mens en skog av ulike trær generaliserer langt bedre. Lær hvordan random forests aggregerer hundrevis av trær som er trent på tilfeldige delmengder av data og…

  1. 1Bootstrap-aggregering (bagging) forklart
  2. 2Tilfeldig valg av egenskaper: Trikset i Random Forest
  3. 3Out-of-bag-feil: Gratis validering i skogen
  4. +1 flere
Start læringen gratisLås opp med PRO
12

B14 leksjonerPRO

SVM-er finner hyperplanet med størst margin som skiller klassene, og har dermed sterke teoretiske garantier for generalisering. Lær om kernel-trikset, som lar SVM-er håndtere ikke-lineære grenser i u…

  1. 1Klassifikator med maksimal margin: Støttevektorer og hyperplan
  2. 2SVM med myk margin og C-parameteren
  3. 3Kjernel trikset: RBF-, polynom- og sigmoidkjerner
  4. +1 flere
Start læringen gratisLås opp med PRO
13

B14 leksjonerPRO

Gradient boosting trener svake læringsmodeller sekvensielt, der hver modell korrigerer restfeilene fra den forrige. Resultatet er topp ytelse på tabulære data. Bli fortrolig med XGBoost og LightGBM,…

  1. 1Intuisjon for boosting: Sekvensiell feilretting
  2. 2XGBoost: Regulering, tidlig stopp og egenskapsviktighet
  3. 3LightGBM: Bladvis vekst og fordeler med høy hastighet
  4. +1 flere
Start læringen gratisLås opp med PRO
14

B14 leksjonerPRO

Ett enkelt train-test-splitt kan være misvisende på grunn av tilfeldige variasjoner i dataoppdelingen. Kryssvalidering gir et mer pålitelig estimat ved å ta gjennomsnittet av flere oppdelinger, mens…

  1. 1K-fold-kryssvalidering: Oppdeling uten lekkasje
  2. 2Stratifisert kryssvalidering og kryssvalidering for tidsserier
  3. 3Grid Search kontra Random Search
  4. +1 flere
Start læringen gratisLås opp med PRO
15

B14 leksjonerPRO

Kvaliteten på funksjonene Deres setter en øvre grense for modellens ytelse, uavhengig av hvilken algoritme De bruker. Lær å lage nye, informative funksjoner fra rådata gjennom transformasjoner, samsp…

  1. 1Opprette nye egenskaper: Log-transformasjoner, kategorisering og interaksjoner
  2. 2Uthenting av egenskaper fra dato og klokkeslett
  3. 3Egenskapsutvelgelse: Variansgrense og SelectKBest
  4. +1 flere
Start læringen gratisLås opp med PRO
16

B14 leksjonerPRO

Klynging er veiledningsfri læring som finner naturlige grupperinger i data uten etiketter. Bli fortrolig med K-Means for kuleformede klynger og DBSCAN for klynger med vilkårlig form og deteksjon av u…

  1. 1K-Means: Sentrumpunkter, tilordning og oppdatering
  2. 2Velge K: Albue-metoden og silhuettskår
  3. 3DBSCAN: Kjernepunkter, grensepunkter og støy
  4. +1 flere
Start læringen gratisLås opp med PRO
17

B14 leksjonerPRO

Data med mange dimensjoner er vanskelig å visualisere og inneholder ofte overflødige funksjoner som gjør treningen langsommere. PCA komprimerer informasjon til ortogonale komponenter samtidig som var…

  1. 1PCA: Varians, egenvektorer og hovedkomponenter
  2. 2Projisere data og rekonstruere fra komponenter
  3. 3t-SNE: Bevaring av naboskap for visualisering
  4. +1 flere
Start læringen gratisLås opp med PRO
18

B14 leksjonerPRO

Pipelines i scikit-learn kobler trinn for forbehandling og modellering sammen i ett objekt, noe som hindrer datalekkasje og forenkler utrulling. Lær å bygge, kryssvalidere og serialisere komplette pi…

  1. 1Bygge den første pipelinen: Skalerer pluss klassifikator
  2. 2ColumnTransformer i en pipeline
  3. 3Kryssvalidere og grid-søke i en full pipeline
  4. +1 flere
Start læringen gratisLås opp med PRO
19

B14 leksjonerPRO

I svindeldeteksjon, medisinsk diagnostikk og mange andre kritiske bruksområder kan én klasse utgjøre mindre enn 1 % av eksemplene. Trening på slike data gir misvisende høy nøyaktighet, samtidig som m…

  1. 1Oppdage ubalanse: Klassefordeling og fallgruver ved baseline
  2. 2Tilfeldig oversampling og SMOTE
  3. 3Tilfeldig undersampling og klyngesentrumpunkter
  4. +1 flere
Start læringen gratisLås opp med PRO
20

B14 leksjonerPRO

En modell er bare nyttig når den kan lage prediksjoner på nye data utenfor Jupyter-notatboken Deres. Lær å lagre og versjonere pipelines i scikit-learn, tilby dem via et minimalt REST-API med FastAPI…

  1. 1Lagre modeller med joblib og pickle
  2. 2Versjonere modeller: Hvorfor filnavn og metadata er viktige
  3. 3Betjene prediksjoner med et FastAPI-endepunkt
  4. +1 flere
Start læringen gratisLås opp med PRO
21

B24 leksjonerPRO

PyTorch er det ledende rammeverket for deep learning i forskning og produksjon. Bygg Deres første fremovermatende nevrale nettverk fra tensorer og oppover, forstå autograd for gradientberegning, og t…

  1. 1PyTorch-tensorer: Oppretting, operasjoner og GPU-overføring
  2. 2Autograd: Automatisk derivasjon for backpropagation
  3. 3Bygge et feedforward-nettverk med nn.Module
  4. +1 flere
Start læringen gratisLås opp med PRO
22

B24 leksjonerPRO

En god arkitektur er bare halve jobben; treningsdynamikken avgjør om nettverket konvergerer mot en nyttig løsning. Bli fortrolig med læringsrateplaner, batchnormalisering, dropout-regularisering og s…

  1. 1Læringsrate: Den viktigste hyperparameteren
  2. 2Batch-normalisering: Stabilere og raskere trening
  3. 3Dropout-regularisering for å forhindre overtilpasning
  4. +1 flere
Start læringen gratisLås opp med PRO
23

B24 leksjonerPRO

CNN-er utnytter romlig struktur i bilder gjennom lokal deling av vekter og pooling. Det reduserer antallet parametere og forbedrer samtidig translasjonsinvariansen. Bygg en CNN-bildeklassifikator fra…

  1. 1Konvolusjon og filtre: Oppdage kanter og mønstre
  2. 2Pooling-lag: Romlig nedsampling og invarians
  3. 3Bygge og trene et CNN på CIFAR-10
  4. +1 flere
Start læringen gratisLås opp med PRO
24

B24 leksjonerPRO

Sekvensielle data som tidsserier, tekst og lyd har tidsavhengigheter som vanlige fremovermatende nettverk overser. RNN-er behandler sekvenser trinn for trinn med delte vekter, mens LSTM-er legger til…

  1. 1Vanilla-RNN-er: Skjult tilstand og sekvensutrulling
  2. 2Problemet med forsvinnende gradienter over dype tidssteg
  3. 3LSTM-cellen: Inndata-, glemmings- og utdataporter
  4. +1 flere
Start læringen gratisLås opp med PRO
25

B24 leksjonerPRO

Trening av store nettverk fra grunnen av krever enorme datasett og mye beregningskraft. Transfer learning gjenbruker vekter fra modeller som er forhåndstrent på millioner av eksempler, slik at De kan…

  1. 1Forhåndstrente modeller i torchvision: ResNet, EfficientNet og ViT
  2. 2Egenskapsuttrekking: Fryse grunnmodellen
  3. 3Finjustering: Oppheve frysing og bruke lave læringsrater
  4. +1 flere
Start læringen gratisLås opp med PRO
26

B24 leksjonerPRO

BERTs toveis transformerarkitektur forstår kontekst i begge retninger og presterer bedre enn eldre sekvensielle modeller på nesten alle NLP-benchmarker. Lær å finjustere en forhåndstrent BERT-modell…

  1. 1Transformerarkitektur: Attention, tokens og kontekst
  2. 2Hugging Face-tokenizere: Kode tekst for BERT
  3. 3Finjustere BertForSequenceClassification
  4. +1 flere
Start læringen gratisLås opp med PRO
27

B24 leksjonerPRO

MLOps bygger bro mellom maskinlæringsforskning og pålitelig programvareutvikling i produksjon. Lær eksperimentsporing med MLflow, reproduserbare miljøer med Docker og automatiserte omskoleringspipeli…

  1. 1Eksperimentsporing med MLflow: Loggføre parametere, måltall og artefakter
  2. 2Reproduserbare miljøer med Docker for ML
  3. 3Modellregister: Klargjøring, produksjon og arkivering
  4. +1 flere
Start læringen gratisLås opp med PRO
28

B24 leksjonerPRO

Modeller forringes ubemerket i produksjon når virkeligheten endrer seg og fjerner seg fra treningsbetingelsene. Lær å overvåke prediksjonsfordelinger, oppdage datadrift og konseptdrift tidlig og bygg…

  1. 1Datadrift: Endringer i egenskapsfordelinger over tid
  2. 2Konseptdrift: Når forholdet mellom X og Y endres
  3. 3Overvåke prediksjonsfordelinger og konfidensskårer
  4. +1 flere
Start læringen gratisLås opp med PRO
29

B24 leksjonerPRO

Når ML-systemer tar beslutninger med store konsekvenser innen ansettelser, utlån og helsetjenester, er det både et etisk imperativ og et lovkrav i mange jurisdiksjoner å forstå og kontrollere modelle…

  1. 1SHAP-verdier: global og lokal funksjonsviktighet
  2. 2LIME: Lokale, tolkbare og modellagnostiske forklaringer
  3. 3Rettferdighetsmål: demografisk paritet og like muligheter
  4. +1 flere
Start læringen gratisLås opp med PRO
30

B24 leksjonerPRO

Samle alle ferdighetene fra dette læringssporet i ett komplett prosjekt: hent inn og rens et ekte datasett, utvikle features, tren og finjuster flere modeller, evaluer og sammenlign dem, og pakk dere…

  1. 1Prosjektavgrensning: definere problemet og suksesskriteriene
  2. 2Databearbeiding og eksplorativ dataanalyse
  3. 3Turnering i modellvalg: sammenlign fem algoritmer
  4. +1 flere
Start læringen gratisLås opp med PRO
CoddyKit PRO

Lås opp alle 30 kursene i denne læringsstien og alle andre læringsstier

AI-veileder, sertifiseringseksamen og sertifikat. Fungerer på web, iOS og Android.

Se alle abonnementene
Årlig$29.90 / årOmtrent $2.49 per månedBetal én gangLivstid$69.99 én gangIngen fornyelser. PRO for alltid.
Kursoversikt

Maskinlæring med Python

Lær maskinlæring fra grunnen av. Bygg og evaluer modeller med scikit-learn, behersk ensemblemetoder og ta steget videre til dyp læring med PyTorch. Dette læringsløpet består av 30 progressive minikurs, fra helt nybegynner (A1) til viderekommen (B2), med korte, fokuserte leksjoner og raske quizer som hjelper Dem å feste hvert konsept.

Dette vil De lære

De begynner med grunnleggende konsepter og bygger Dem gradvis opp gjennom emner på mellomnivå og viderekomment nivå, der hvert kurs bygger på det forrige. Hver leksjon er praktisk, med eksempler fra virkeligheten og en AI-veileder tilgjengelig når De trenger hjelp.

Slik fungerer det

Hvert kurs er delt inn i fire fokuserte leksjoner. Gjennomfør noen leksjoner om dagen, så behersker De hele læringsløpet på noen uker, ikke måneder.

Verktøy

Øv med AI, ikke bare les

Få mer ut av læringen med AI-drevne verktøy og funksjoner

AI-chatChat med AI-veilederenStill et superspørsmålFå svar på ekspertnivåPROOpprett leksjonAI-drevet leksjonsbyggerPROStart sertifiseringseksamenFå sertifikatet dittPROStart utfordringTest ferdighetene dine

Slik lærer du

  1. 01

    Interaktive leksjoner

    Praktiske kodeøvelser med tilbakemelding i sanntid

  2. 02

    AI-veileder

    Få øyeblikkelig hjelp fra AI-en vår når du står fast

  3. 03

    Innebygd kodeeditor

    Skriv og kjør kode direkte i nettleseren

  4. 04

    Sertifikat

    Få et sertifikat når du fullfører kurset

Fortsett å utforske

Relaterte 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…
FAQ

Ofte stilte spørsmål

Er kurset i Machine Learning Academy gratis?

Ja. Du kan starte på kurset i Machine Learning Academy gratis og fullføre de interaktive leksjonene uten kostnad. Et valgfritt PRO-abonnement låser opp avanserte AI-verktøy og et delbart sertifikat.

Trenger jeg tidligere erfaring for å lære Python?

Nei. Kurset begynner med det grunnleggende og går gradvis videre til mer avanserte emner, slik at du kan starte selv uten tidligere erfaring med Python.

Hvordan lærer jeg Python på CoddyKit?

Du lærer gjennom praksis. Korte, interaktive leksjoner kombinerer en tydelig forklaring med en praktisk kodeøvelse som kjører i sanntid, og en AI-veileder som er tilgjengelig døgnet rundt, gir deg personlig hjelp når du står fast.

Får jeg et sertifikat når jeg fullfører Machine Learning Academy?

Ja. PRO-brukere kan ta en eksamen og få et delbart fullføringssertifikat med en verifiserbar kode for kurset i Machine Learning Academy.

Kan jeg lære Python på telefonen?

Ja. CoddyKit er tilgjengelig på nettet og som native iOS- og Android-apper, slik at du kan lære Python på alle enheter, mens fremdriften synkroniseres mellom dem.

Hvor mye koster CoddyKit PRO?

Det første kurset i Machine Learning Academy er gratis. CoddyKit PRO gir tilgang til alle kurs: $5.90 per uke, $7.90 per måned, $29.90 per år eller $69.99 én gang for tilgang på livstid uten fornyelser.

Hvor lang tid tar det å fullføre Machine Learning Academy?

Machine Learning Academy består av 30 kurs og 120 leksjoner. De fleste leksjonene tar omtrent 5–10 minutter, så hele læringsstien tar rundt 14 timer med praktisk øving i eget tempo.

Start på Machine Learning Academy nå

Bli med tusenvis av elever som lærer programmering med AI-drevne leksjoner.

Start læringen gratisSe alle kurs