AI: Grundläggande praktiskmaskininlärning.

Kursen syftar till att ge en omfattande förståelse och färdigheter inom maskininlärning, datahantering och statistisk analys. Efter avslutad utbildning ska de studerande ha en grundläggande förståelse för maskininlärning, inklusive dess olika typer som övervakad och oövervakad inlärning, och dess tillämpningar i olika branscher. Kursen ger kunskaper i/om: vad maskininlärning är, dess olika typer (övervakad, oövervakad, förstärkningsinlärning), och att förstå dess roll och tillämpningar i olika branscher att hantera, "rengöra" och förbereda data för analys. Detta inkluderar kunskaper i att använda verktyg som Python och dess bibliotek som Pandas för att bearbeta och visualisera data grundläggande statistiska metoder och hur de tillämpas i dataanalys. Detta omfattar kunskap om samband, trender och mönster i data. att bygga, träna och utvärdera maskininlärningsmodeller. Detta inkluderar linjär och logistisk regression, K-nearest neighbors, beslutsträd och ensemblemetoder som Random Forest. neuronnät och djupinlärning, som inbegriper en grundläggande förståelse av convolutional neural networks (CNN) och recurrent neural networks (RNN). Kursen ger färdigheter i att: Använda programmeringsspråk som Python, särskilt för dataanalys och maskininlärningsapplikationer. Detta inkluderar att använda bibliotek som Pandas, NumPy, och Scikit-Learn. Förbereda, "rengöra" och hantera stora datamängder. Skicklighet i att utföra explorativ dataanalys (EDA) för att förstå och dra slutsatser från data. Välja, träna och finjustera olika typer av maskininlärningsmodeller, från enkla linjära regressioner till mer komplexa klassificerings- och klusteringsmodeller. Använda deep learning-ramverk som TensorFlow eller Keras, särskilt för att bygga enkla CNN och RNN modeller. Kursen ger kompetens att: Identifiera problem som kan lösas med maskininlärning och att tillämpa lämpliga maskininlärningstekniker för att finna lösningar. Kritiskt analysera resultat och utföra datadriven beslutsfattning, vilket är viktigt för att dra slutsatser och göra rekommendationer baserade på data. Förstå de etiska övervägandena inom maskininlärning, såsom bias, datasekretess och den potentiella påverkan av AI på samhället. Effektivt kommunicera tekniska resultat och insikter till både tekniska och icke-tekniska intressenter.