Machine learning werd in 1959 door Arthur Samuel gedefinieerd als het "studiegebied dat computers de mogelijkheid geeft om te leren zonder expliciet te worden geprogrammeerd". Het EITC/AI/MLPP Machine Learning Programming with Python-programma heeft tot doel de basisprincipes van machine learning te introduceren (inclusief basiskennis van de theorie), gericht op programmeren met Python. Behalve de theorie omvat het toepassingen samen met theoretische en praktische aspecten van supervised, unsupervised en deep learning machine learning-algoritmen. Het programma omvat lineaire regressie, K Dichtstbijzijnde Buren, Support Vector Machines (SVM), platte clustering, hiërarchische clustering en neurale netwerken. Het bevat basisbegrippen van de betrokken algoritmen en de logica erachter. Het behandelt ook de bespreking van de toepassingen van de algoritmen bij het programmeren met behulp van voorbeeldige echte gegevenssets samen met modules (bijv. Scikit-Learn). Het programma zal ook details van elk van de algoritmen behandelen door deze algoritmen in code te implementeren, inclusief de betrokken wiskunde met inzichten in hoe de algoritmen precies werken, hoe ze kunnen worden aangepast en wat hun eigenschappen zijn, inclusief voor- en nadelen. De algoritmen die betrokken zijn bij machine learning zijn tamelijk eenvoudig (zoals bepaald door de noodzaak van schaalvergroting voor grote gegevenssets), evenals de wiskunde waarop ze zijn gebaseerd (lineaire algebra).
Referentiebronnen voor leerplannen
Python-documentatie
https://www.python.org/doc/
Python geeft downloads uit
https://www.python.org/downloads/
Python voor beginnershandleiding
https://www.python.org/about/gettingstarted/
Python Wiki Beginnersgids
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python Machine Learning-zelfstudie
https://www.w3schools.com/python/python_ml_getting_started.asp
Download het volledige offline zelflerende voorbereidende materiaal voor het EITC/AI/MLP Machine Learning met Python-programma in een PDF-bestand
EITC/AI/MLP voorbereidingsmaterialen – standaardversie
EITC/AI/MLP voorbereidend materiaal – uitgebreide versie met evaluatievragen