关于此课程

本课程作为佐治亚理工学院的 CS7641 推出,是 在线硕士学位 (OMS) 的一部分。学习此处的这门课程不会获得与 OMS 学位有关的学分。

机器学习是一门涵盖人工智能领域的研究生层次课程,该领域涉及运用经验修改和提供自身性能的计算机程序。

该课程的第1部分包括监督学习,这是一项机器学习任务,可以使你的手机识别你的声音、你的邮件过滤垃圾邮件,使电脑学习很多其他很酷的东西。

在第2部分中,你将了解非监督学习。有没有想过 Netflix 如何能够预测你会喜欢什么样的电影?或者亚马逊在你购买之前知道你想买什么呢?在这一节中可以找到这些答案!

最后,我们是否能够编制程序,使机器像人类一样学习?该强化学习部分将讲授一种算法,设计像我们一样的自学代理人程序!

喜欢这门课程?加入“机器学习工程师”纳米学位。

学费
免费
学习时间
大约 4 months
难度
中级
你将获得

Rich Learning Content

Interactive Quizzes

Taught by Industry Pros

Self-Paced Learning

Student Support Community

开始你的旅程

学习这门免费课程,迈出通往机器学习(进阶)职业道路的第一步。

免费课程

机器学习

合作企业 佐治亚理工学院

通过创新性的自主学习方式,掌握新技能,提升竞争力。

Icon steps 54aa753742d05d598baf005f2bb1b5bb6339a7d544b84089a1eee6acd5a8543d
 
 

课程讲师

Michael Littman
Michael Littman

讲师

Charles Isbell
Charles Isbell

讲师

Pushkar Kolhe
Pushkar Kolhe

讲师

先修知识及要求

学生必须精通概率论、线性代数和统计学。了解《统计学导论》,特别是第8、9、10课的内容,将有所帮助。

学生也应当具备一些编程方面的经验(可能通过《CS 简介》),了解神经网络(包含在《人工智能导论》中)。

查看使用优达学城的技术要求

为什么学习这门课程?

你将学习和实践各种监督、非监督和强化学习方法。

从制止信用卡诈骗、在相机图像中寻找面孔到识别语言,监督学习是所有类型技术的一个重要组成部分,我们的目标是为你提供所需技能,去了解这些技术,解读它们的结果,这是解决一系列数据科学问题的重要方面。以及经得起一场机器人叛乱。

非监督学习与模式识别密切相关,是关于分析数据和寻找模式。这是一种极其强大的识别数据结构工具。本部分将重点介绍如何使用非监督学习方法,包括随机优化、聚集、特征选择和转换-找到无标记数据的结构。

强化学习是机器学习的一个方面,涉及以实现回报最大化为目的,软件代理程序在特定环境中应该采取的行动。你可以将强化学习应用到机器人控制、国际象棋、西洋双陆棋、跳棋以及软件代理程序可以学习的其他活动。强化学习以实现回报最大化为目的使用行为心理学。本部分还包括重要的强化学习方法,如马尔可夫决策流程和游戏理论。

我将获得什么?
Instructor videos Learn by doing exercises Taught by industry professionals