Mašinsko učenje definirao je 1959. Arthur Samuel kao "polje studija koje računaru daje mogućnost učenja bez izričitog programiranja". EITC/AI/MLPP Programiranje mašinskog učenja sa Python-om ima za cilj uvođenje osnova mašinskog učenja (uključujući osnovno razumijevanje teorije) fokusirajući se na programiranje s Pythonom. Osim teorije, on pokriva aplikacije zajedno s teorijskim i praktičnim aspektima nadziranih, nenadgledanih i dubokih algoritama mašinskog učenja. Program pokriva linearnu regresiju, K Najbliži susjedi, Podržavaju vektorske mašine (SVM), ravno klasteriranje, hijerarhijsko klasteriranje i neuronske mreže. Uključuje osnovne pojmove uključenih algoritama i logiku koja stoji iza toga. Također obuhvaća raspravu o primjeni algoritama u programiranju pomoću oglednih stvarnih skupova podataka zajedno s modulima (npr. Scikit-Learn). Program će također obuhvatiti detalje svakog algoritma primjenom tih algoritama u kodu, uključujući uključenu matematiku sa uvidom u to kako tačno algoritmi rade, kako se mogu modificirati i koja su njihova svojstva, uključujući prednosti i nedostatke. Algoritmika uključena u mašinsko 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 Python uputstvo za mašinsko učenje
https://www.w3schools.com/python/python_ml_getting_started.asp
Preuzmite kompletne pripremne materijale za samoučenje van mreže za EITC/AI/MLP Machine Learning with Python program u PDF datoteci
EITC/AI/MLP pripremni materijali – standardna verzija
EITC/AI/MLP pripremni materijali – proširena verzija sa pitanjima za pregled