Kunstig intelligens og maskinlæring: teori og praksis

I vår tid med spirende smart teknologi og automatisering, ser vi allerede det transformative potensialet til kunstig intelligens og maskinlæring på så forskjellige felt som finans, medisin og produksjon. Dette kurset gir en praktisk introduksjon til dette fremtidsfokuserte forskningsområdet.

Du vil begynne med en introduksjon til det grunnleggende om programmering i Python, spesielt forståelse av objektorientert programmering og dens betydning for dyp læring. Du vil raskt fortsette til en introduksjon til kunstig intelligens, og undersøke det grunnleggende om overvåket maskinlæring, inkludert lineær regresjon, logistisk regresjon, nevrale nettverk og gradientnedstigning. I den andre uken av kurset vil du utforske bildebehandling, undersøke transformasjoner, konvolusjonsfiltre og kantdeteksjon, før en introduksjon til konvolusjonelle nevrale nettverk og noen fremtredende CNN-arkitekturer som VGG og ResNet. I den siste delen av kurset vil du se på kjernebegrepene for naturlig språkbehandling, inkludert sekvensmodellering, autoregressive modeller og tilbakevendende nevrale nettverk.

Dette intensive kurset tilbyr både en teoretisk introduksjon til kunstig intelligens og maskinlæringskonsepter og en mulighet til å sette denne kunnskapen ut i livet for å løse småskala praktiske problemer fra forskjellige domener.

Datoer og tilgjengelighet

Tilgjengelig som bolig- eller nettkurs på følgende datoer:

Økt 1: 24. juni til 12. juli 2024

Økt 3: 5. august til 23. august 2024

Dette kurset vil passe STEM-studenter i lavere grad eller på inngangsnivå. Grunnleggende kunnskap om kalkulus og lineær algebra er nødvendig, og noe erfaring med koding anbefales. Tidligere erfaring innen kunstig intelligens, maskinlæring eller programmeringsspråket Python er ikke nødvendig.

Ved slutten av dette kurset vil du:

• Forstå teoretiske begreper om kunstig intelligens og maskinlæring.
• Kjenne til hvordan grunnleggende kunstig intelligens og maskinlæringsverktøy brukes i praksis.
• Vet hvordan du implementerer grunnleggende algoritmer og trener små nettverk for praktiske problemer.
• Kunne identifisere og bruke relevante kunstig intelligens og maskinlæringsverktøy i forskning.
• Vit hvordan du implementerer og distribuerer kunstig intelligens og maskinlæringsalgoritmer på Google Cloud.