Διαβάστε την Επίσημη Περιγραφή

Γιατί να εγγραφείτε για μεταπτυχιακό δίπλωμα στη μηχανική μάθηση και την τεχνητή νοημοσύνη;

Οι αλγόριθμοι τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης μετασχηματίζουν συστήματα, εμπειρίες, διαδικασίες και ολόκληρες βιομηχανίες. Δεν αποτελεί έκπληξη το γεγονός ότι οι ηγέτες των επιχειρήσεων θεωρούν αυτές τις τεχνολογίες που βασίζονται σε δεδομένα ως θεμελιώδεις για το μέλλον και ότι οι επαγγελματίες που έχουν άπταιστα και στους δύο τομείς έχουν μεγάλη ζήτηση.

Στο Columbia Engineering, ενθουσιάζονται από τις δυνατότητές τους σε παγκόσμια κλίμακα και δημιουργήσαμε το Μεταπτυχιακό Δίπλωμα Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης σε συνεργασία με το EMERITUS για να βοηθήσουμε τους μαθητές να κατανοήσουν τα βασικά στοιχεία της AI και της μηχανικής μάθησης και πώς να τα εφαρμόσουν για την επίλυση σύνθετων προβλημάτων πραγματικού κόσμου.

Προαπαιτούμενα: Το μάθημα απαιτεί προπτυχιακές γνώσεις στατιστικών (περιγραφικές στατιστικές, παλινδρόμηση, κατανομές δειγματοληψίας, δοκιμές υποθέσεων, εκτιμήσεις διαστημάτων κλπ.), Γραμμική άλγεβρα (φορείς, μήτρες, παράγωγα) και πιθανότητα.

Θα πρέπει να είστε άνετοι με την Python ή οποιαδήποτε άλλη γλώσσα προγραμματισμού. Όλες οι εργασίες ανάθεσης / εφαρμογής θα γίνουν με τη χρήση της γλώσσας προγραμματισμού Python με ένα ή περισσότερα από τα ακόλουθα πακέτα: pandas, NumPy, Matplotlib, seaborn, scikit-learn, PyMC3, κλπ.

Το ταξίδι σας μάθησης

Ενότητα 1: Εφαρμοσμένη Μηχανική Μάθηση

Εποπτευόμενη Μάθηση

  • Ανώτατη πιθανότητα παλινδρόμησης , ελάχιστα τετράγωνα, τακτοποίηση
  • Bayesian μεθόδους Bayes κανόνα, συμπέρασμα MAP, ενεργητική μάθηση
  • Θεμελιώδεις αλγόριθμοι ταξινόμησης Πλησιέστεροι γείτονες, Perceptron, Logistic Regression
  • Βελτιώσεις στις μεθόδους πυρήνα ταξινόμησης , Gaussian διαδικασία
  • Ενδιάμεση ταξινόμηση Αλγόριθμοι SVM, Δέντρα, Δάση και Ενίσχυση

Μη εποπτευόμενη μάθηση

  • Μέθοδοι ομαδοποίησης K-Means Clustering, EM, Gaussian Mixtures
  • ΣΥΣΤΗΜΑΤΑ ΣΥΣΤΑΣΕΩΝ Συγκριτική Φιλτράρισμα, Μοντελοποίηση Θέματος, PCA
  • Διαδοχικά μοντέλα δεδομένων Markov και κρυμμένα μοντέλα Markov, Φίλτρα Kalman
  • Ανάλυση σύνδεσης
  • Μέθοδοι ομαδοποίησης - Συγκρίσεις μοντέλων ΙΙ , σκέψεις ανάλυσης

Ενότητα 2: Εφαρμοσμένη Τεχνητή Νοημοσύνη

  • Εισαγωγή στην Τεχνητή Νοημοσύνη
  • Ευφυείς πράκτορες και απροειδοποίητη αναζήτηση
  • Ευρετική αναζήτηση
  • Ανταγωνιστική αναζήτηση και παιχνίδια
  • Προβλήματα ικανοποίησης περιορισμών
  • Ενίσχυση της μάθησης
  • Λογικοί πράκτορες
  • Εφαρμογές AI: Επεξεργασία φυσικής γλώσσας
  • AI Εφαρμογές και Επισκόπηση Μαθήματος
  • Ενότητα 3: Πρόγραμμα Capstone

Πιστοποιητικό

Με την επιτυχή ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα λάβουν ένα επαληθευμένο ψηφιακό δίπλωμα από το EMERITUS σε συνεργασία με την Columbia Engineering Executive Education.

Οφέλη δικτύου EMERITUS

Με την επιτυχή ολοκλήρωση αυτού του προγράμματος, συμμετέχετε σε μια κοινότητα με πάνω από 7400 εκπαιδευόμενους στο δίκτυο EMERITUS. Το δίκτυο EMERITUS είναι η πλατφόρμα σας για να συνδεθείτε με ένα παγκόσμιο δίκτυο ατόμων. Οφέλη από το δίκτυο EMERITUS περιλαμβάνουν:

  • Φροντιστήριο Βοήθεια
  • Global Network που περιλαμβάνει περισσότερους από 400 CEOs, Πρόεδροι, Αντιπροέδρους, Διευθυντές, Ιδρυτές και Διευθύνοντες Συμβούλους
  • Πρόσκληση σε Παγκόσμια Γεγονότα
  • Γωνία εκκίνησης για τη σύνδεση, τη συνεργασία, την άντληση κεφαλαίων, την επένδυση ή τον εντοπισμό ταλέντων
  • Εκτεταμένη πρόσβαση στα μαθήματα και
  • Πρόσβαση σε Ομάδες EMERITUS
Το πρόγραμμα διδάσκεται στις:
Αγγλικά

Κοιτάξτε7 περισσότερα μαθήματα αποEmeritus Institute of Management »

Τελευταία ενημέρωση April 6, 2019
Το μάθημα αυτό είναι Διαδίκτυο
Ημερομηνία έναρξης
Ιούνιος 19, 2019
Duration
9 Μήνες
Πλήρης παρακολούθηση
Τιμή
3,000 USD
Πληρωτέο σε 2 ισόποσες δόσεις Μη επιστρέψιμο τέλος αίτησης: 50 USD
Με τοποθεσίες
Με ημερομηνία
Ημερομηνία έναρξης
Ιούνιος 19, 2019
Ημερομηνία λήξης
Μαρτ. 19, 2020
Προθεσμία υποβολής αιτήσεων

Ιούνιος 19, 2019

Location
Προθεσμία υποβολής αιτήσεων
Ημερομηνία λήξης
Μαρτ. 19, 2020
Άλλη