SU-630 AI & Machine Learning Fundamentals

Beskrivelse

forudsige alt fra priser til brugeradfærd. På dette kursus lærer du at forberede data, vælge algoritmer, træne og evaluere modeller samt integrere dem i applikationer. Vi arbejder hands-on med Pandas, NumPy og scikit-learn, så du går herfra med færdigheder, du kan bruge med det samme.

Machine Learning (ML) er en af nøgleteknologierne bag moderne dataanalyse, automatisering og AI-løsninger. På dette kursus får du en solid og hands-on introduktion til, hvordan du anvender ML i Python til at skabe modeller, der kan lave predictions, classification og finde mønstre i data.

Vi starter med en introduktion til ML’s grundprincipper og Python’s ML-økosystem, herunder de vigtigste biblioteker som NumPy, Pandas og scikit-learn. Du lærer forskellen på supervised, unsupervised og reinforcement learning, og hvornår de bruges i praksis.

Herefter repeterer vi data preparation i Pandas og NumPy, hvor du lærer at gøre datasæt klar til ML-modellering gennem cleaning, feature engineering, skalering og visualisering. Vi går videre til regression (prediction af numeriske værdier) og classification (opdeling i kategorier) med konkrete cases som forudsigelse af boligpriser og email classification.

Kurset dækker også tree-based models som Decision Trees og Random Forest, samt en kort introduktion til Support Vector Machines (SVM). Derudover introduceres unsupervised learning med clustering og PCA.

Du lærer at evaluere model performance, undgå overfitting, tune hyperparameters og gøre dine modeller klar til deployment. Bias-variance tradeoff forklares med intuitive eksempler som polynomial regression og learning curves.

Undervisningen kombinerer teori med masser af hands-on øvelser, så du både forstår de bagvedliggende principper og lærer at anvende ML i praksis.

Efter kurset kan du:
- Forberede og analysere data i Pandas og NumPy
- Udvælge og anvende ML-algoritmer til regression og classification
- Evaluere model performance og undgå overfitting
- Implementere tree-based models og forstå SVM’s konceptuelle styrker
- Bruge unsupervised learning til clustering og dimensionality reduction
- Tune hyperparameters og optimere model performance
- Gemme, genindlæse og integrere ML-modeller i applikationer

Kurset forudsætter SU-228 Python & Dataanalyse eller tilsvarende færdigheder i Python, herunder arbejde med Pandas, NumPy og datavisualisering

SuperUsers