“`html
Top Artificial Intelligence AI Courses from Stanford
Профессиональная программа по искусственному интеллекту
Эта программа охватывает основные темы современного искусственного интеллекта, включая машинное обучение, глубокое обучение, обработку естественного языка и обучение с подкреплением. Основное внимание уделяется развитию практических навыков для самостоятельного создания и инноваций моделей ИИ, оптимизации их производительности и применения передовых техник, таких как генеративные языковые модели и мета-обучение для практических приложений и исследований в области ИИ.
Обучение с учителем: регрессия и классификация
Этот курс обучает машинному обучению на основе Python с использованием NumPy и scikit-learn. Он охватывает обучение с учителем для прогнозирования и бинарной классификации, с акцентом на модели, такие как линейная и логистическая регрессия. Эта программа, разработанная DeepLearning.AI и Stanford Online, предоставляет базовое понимание машинного обучения для создания практических приложений ИИ.
Продвинутые алгоритмы обучения
Этот курс исследует продвинутые алгоритмы обучения с использованием TensorFlow для многоклассовой классификации с нейронными сетями. Он акцентирует внимание на передовых практиках обобщения моделей и применяет деревья решений, такие как случайные леса и усиленные деревья, для надежных решений машинного обучения.
Обучение без учителя, рекомендации, обучение с подкреплением
Этот курс охватывает техники обучения без учителя, такие как кластеризация и обнаружение аномалий, а также создание систем рекомендаций с использованием коллаборативной фильтрации и методов глубокого обучения на основе контента. Кроме того, он предоставляет инструкции по созданию моделей глубокого обучения с подкреплением, предлагая всестороннее изучение передовых приложений машинного обучения.
Специализация по ИИ в здравоохранении
Эта специализация исследует текущие и будущие применения ИИ в здравоохранении с целью безопасной и этичной интеграции технологий ИИ. Разработанная для специалистов в области здравоохранения и информатики, она включает проект-завершение для применения усвоенных концепций через путешествие данных пациента.
Пробабилистические графические модели 1: Представление
Этот курс знакомит с пробабилистическими графическими моделями (ПГМ), которые кодируют сложные вероятностные распределения с использованием байесовских и марковских сетей, необходимых в ИИ для приложений, таких как медицинская диагностика и обработка естественного языка. Он охватывает теоретические и практические аспекты, с возможностью выполнения практических заданий в рамках чести.
Пробабилистические графические модели 2: Вывод
Этот курс по пробабилистическим графическим моделям (ПГМ) охватывает вероятностный вывод, обучая точные и приближенные алгоритмы для ответов на вопросы в рамках высокоразмерных распределений. Как фундаментальный инструмент ИИ, ПГМ критичны для приложений, таких как медицинская диагностика и обработка естественного языка.
Пробабилистические графические модели 3: Обучение
Этот курс по пробабилистическим графическим моделям (ПГМ) фокусируется на обучении ПГМ на основе данных, охватывая оценку параметров как для направленных, так и для ненаправленных моделей, а также обучение структуры для направленных моделей. Он включает практические программные задания для применения этих алгоритмов обучения к реальным проблемам.
Мы получаем небольшую прибыль от покупок, совершенных через реферальные/аффилированные ссылки, прикрепленные к каждому курсу, упомянутому в вышеприведенном списке.
Если вы хотите предложить какой-либо курс, который мы упустили из этого списка, напишите нам по адресу asif@marktechpost.com
Оригинальная статья: MarkTechPost
“`
