Strojno učenje definirao je 1959. Arthur Samuel kao "polje studija koje računalima daje mogućnost učenja bez izričitog programiranja". EITC/AI/MLPP Programiranje strojnog učenja s Pythonom ima za cilj uvoditi osnove strojnog učenja (uključujući osnovno razumijevanje teorije) usredotočujući se na programiranje s Pythonom. Osim teorije, ona obuhvaća primjene zajedno s teorijskim i praktičnim aspektima nadziranih, nenadgledanih i dubokih algoritama strojnog učenja. Program obuhvaća linearnu regresiju, K Najbliži susjedi, Podržavajući vektorski strojevi (SVM), ravno klasteriranje, hijerarhijsko grupiranje i neuronske mreže. Uključuje osnovne pojmove uključenih algoritama i logiku koja stoji iza. Također obuhvaća raspravu o primjeni algoritama u programiranju pomoću oglednih stvarnih skupova podataka zajedno s modulima (npr. Scikit-Learn). Program će također pokriti detalje svakog algoritma primjenom tih algoritama u kodu, uključujući uključenu matematiku s uvidom u to kako algoritmi točno rade, kako se mogu modificirati i koja su njihova svojstva, uključujući prednosti i nedostatke. Algoritmika uključena u strojno učenje prilično je jednostavna (što je uvjetovano potrebom skaliranja za velike skupove podataka), kao i matematika na kojoj se temelje (linearna algebra).
Referentni resursi za kurikulum
Python dokumentacija
https://www.python.org/doc/
Python objavljuje preuzimanja
https://www.python.org/downloads/
Python za početnike
https://www.python.org/about/gettingstarted/
Python Wiki vodič za početnike
https://wiki.python.org/moin/BeginnersGuide
W3Schools Vodič za strojno učenje Pythona
https://www.w3schools.com/python/python_ml_getting_started.asp
Preuzmite kompletne izvanmrežne pripremne materijale za samoučenje za program EITC/AI/MLP Machine Learning with Python u PDF datoteci
EITC/AI/MLP pripremni materijali – standardna verzija
EITC/AI/MLP pripremni materijali – proširena verzija s pitanjima za ponavljanje