数据科学项目的机器学习
简介
人工智能在商业领域的快速发展一方面带来了前所未有的机遇，另一方面也带来了法律风险。精通数据科学、ML 和人工智能技术的新一波专业人士在帮助企业驾驭这些未知领域方面发挥着举足轻重的作用。
IBM SkillsBuild for Academia
自定进度的课程
寻找工作？
深入了解如何使用人工智能和机器学习低代码技术来自动化数据科学方法的一部分，并加入新的专业人士行列，获得市场上数百万个工作岗位。
想找一份更好的工作？
使用先进的数据科学方法和工具，利用统计科学、机器学习技术和特定行业的数据集，实施独特的数据模型，以解决所有行业的挑战性问题。
目标
本课程介绍数据科学专业的核心高级课题。
范围
- 数据建模
- 机器学习
- 深度学习
- 真实世界的使用案例。
学习成果。
- 了解使用AI自动化来加速数据模型管理的生命周期
- 了解机器学习的线性代数原理
- 了解不同的建模技术
- 了解模型的验证和选择技术
- 沟通结果，将洞察力转化为商业价值
- 通过一个项目展示在数据集上测试不同模型的能力，验证和选择最佳模型，并交流结果。
- 在IBM AutoAI和IBM Watson视觉识别方面的实践经验
- 了解汽车保险公司的内部动态，并使用数据科学和人工智能来改善业务成果。
课程经历
关于本课程
本课程分为两个练习级别。每个级别涵盖更高级的主题，并在前一练习级别的概念、练习和技能的基础上更上一层楼。
第1级--数据建模和机器学习
通过采用机器学习技术实现高级数据分析。
- 1.数据模型化*。
- 2.机器学习算法*。
第2级--AI数据科学自动化
利用先进的人工智能工具实现数据模型管理流程自动化。
- 1.使用AutoAI预测欺诈（互动案例研究）
- 2.使用视觉识别的欺诈检测（互动案例研究）
*根据你目前的专业知识水平，彻底理解这些概念可能需要额外自学高级统计方法和算法。
先决条件
在参加这个课程提供之前，你必须具备的技能：
完成数据科学从业者系列中的企业数据科学实践课程。
此外，您还需要具备以下方面的知识和技能：
- 数据科学团队的组成和工作，包括不同的角色、流程和工具
- 在数据中寻找结构和进行预测所必需的关键统计概念和方法
- 数据科学方法论：(a)描述一个商业问题；(b)提出一个假设；(c)展示分析周期中方法论的使用；(d)计划执行
- 通过识别和收集所需的数据，以及操作、转换和清理数据来构建可用的数据集；展示处理数据异常的能力，如缺失值、异常值、不平衡数据和数据规范化。
- 对IBM Watson Studio、Data Refinery Spark、Jupyter Notebooks和Python库有实践经验
- 可视化统计分析，识别模式，并将结果有效地传达给执行发起人，以实现业务驱动的决策。
数字凭证
中级
数据科学项目的机器学习
查看徽章关于这个徽章
该学员完成了本次在线学习体验中与数据科学专业核心高级主题相关的所有学习活动，包括数据建模技术、机器学习、深度学习算法、数据科学自动化；通过在数据科学团队中扮演关键角色，使用最新的人工智能工具进行分析/自动化以解决实际问题，展示了数据科学领域的高级技能应用。
技能
人工智能自动化、AI-on-AI、AutoAI、数据建模、数据科学、特征工程、欺诈分析、超参数优化、机器学习、ML 算法、模型部署、模型训练和视觉识别。
标准
- 必须参加实施IBM技能学院计划的高等教育机构的培训课程。
- 必须完成自定进度的在线课程活动，以及验证对所涵盖主题理解的知识检查。