Aprendizaje de máquinas para aplicaciones
Descubra Python para el aprendizaje automático, cómo crear una aplicación de iOS y cómo crear un modelo de clasificación capaz de realizar predicciones.
Description
Este curso gratuito cubre Python fundacional, el lenguaje más predominantemente utilizado en el aprendizaje de máquinas (ML). El curso te mostrará cómo construir un modelo de clasificación desde cero para hacer predicciones, usando un conjunto de datos mundialmente famoso para entrenar el modelo. Creará una red neuronal, capaz de clasificar escritura a mano humana, y luego utilizará su red neuronal para crear una aplicación iOS, que puede clasificar los dígitos escritos a mano dibujados en la pantalla.
El curso también muestra cómo utilizar un modelo ML para clasificar las fotos en una aplicación de construcción personalizada en el módulo seis. Al final de este curso, podrá aplicar los conceptos y las herramientas aprendidas, para crear sus propios modelos de aprendizaje automático y aplicaciones para realizar sugerencias y predicciones.
Las habilidades de aprendizaje automático están en alta demanda en todo el mundo, ya que pueden ser utilizadas de muchas maneras diferentes: los médicos pueden usarlo para diagnosticar enfermedades; se puede utilizar para hacer coincidir a las personas para las relaciones; se puede utilizar para analizar los procedimientos de fabricación costosos. La razón número uno para utilizar el aprendizaje automático en una aplicación, puede ser que personaliza la aplicación para el usuario. Así que inicie el curso hoy y para el final de la semana habrá adquirido valiosas habilidades en el aprendizaje automático y habilidades de programación en el mundo real para utilizar el aprendizaje automático para crear aplicaciones.
Inicio Curso AhoraModules
Software esencial
-
Software esencial-Aprendizaje de resultados
-
Introducción al Curso
-
¿Qué es el aprendizaje automático?
-
Conceptos básicos de Aprendizaje
-
Instalación de Anaconda
-
Atom y plugins
-
Resumen de la Lección de Software Esencial
Conceptos básicos de Python
-
Aspectos básicos de Python-Resultados de aprendizaje
-
Variables en Python
-
Funciones de Python, Conditionals and Loops
-
Matrices de Python y tuples
-
Módulos en Python
-
Básico de Python-Resumen de Lección
Modelización de clasificación
-
Modelización de clasificación-Resultados de aprendizaje
-
Acerca de Scikit-Learn
-
Instalación de Scikit-Learn
-
Conjunto de datos de ventilador Iris
-
Etiquetas y características de conjunto de datos
-
Preparando datos
-
Formación de un clasificador
-
Comprobación de la precisión de predicción
-
Creación de un clasificador
-
Clasificación de modelado-Resumen de la lección
Red neuronal convolucional
-
Red neuronal convolucional-Resultados de aprendizaje
-
Introducción a Keras
-
Redes neuronales convolucionales
-
Instalación de Keras y PIP
-
Preparación del conjunto de datos
-
Utilización secuencial
-
Proceso secuencial
-
Formación de los datos
-
Núcleo de ML
-
Red neuronal convolucional-Resumen de la Lección
Creación de la aplicación
-
Construir la aplicación-Resultados de aprendizaje
-
Introducción al módulo
-
Creación de la interfaz
-
Dibujo en pantalla
-
Importación de ML principal
-
Utilización de ML de núcleo
-
Visualización de resultados de predicción
-
Creación del resumen App-Lecson
Conceptos básicos de ML
-
Núcleos ML básicos-Resultados de aprendizaje
-
Acerca de Core ML
-
Análisis de fotográficas de núcleo ML
-
Nuevo proyecto Xcode
-
Creación de ImageVC
-
ImageCell y subclase
-
Archivo de ayuda de artículos de alimentación
-
Cuadrícula personalizada
-
Importación del modelo ML principal
-
Pasar en imágenes
-
Manejo de resultados de predicción
-
Desafío de Photo Core ML
-
Basics ML básicos-Resumen de la lección
Evaluación del curso
Learning Outcomes
Habiendo completado este curso, podrá:
- Explicar qué es el aprendizaje automático (ML) y cómo se aplica
- Declarar y trabajar con variables básicas de Python
- Arrays y tuplas básicas de programa en Python
- Definir las dos características más importantes de los datos para el aprendizaje automático
- Describir cómo se utilizan los datos para entrenar y probar el modelo de aprendizaje
- Discutir los beneficios de utilizar Keras en lugar de TensorFlow
- Describir cómo las redes neuronales convolucionales clasifican las imágenes
- Explicar el rol de las capas máximas de agrupación, secuenciales y de reLU
- Esquema de la función de capas, nodos y softmax de abandono escolar
- Definición de la precisión y la pérdida de la medida de las epochs
- Crear un proyecto Xcode y configurar un campo de entrada, una etiqueta de texto y un botón para una aplicación de iOS
- Proporcione ejemplos de cómo se puede utilizar el aprendizaje automático de la máquina
- Crear un proyecto Xcode nuevo, incluidas las carpetas y los activos
Certification
All Alison courses are free to study. To successfully complete a course you must score 80% or higher in each course assessments. Upon successful completion of a course, you can choose to make your achievement formal by purchasing an official Alison Diploma, Certificate or PDF.
Having an official Alison document is a great way to celebrate and share your success. It is:
- Ideal to include with CVs, job applications and portfolios
- A way to show your ability to learn and achieve high results