AI & Machine Learning Professional

Denna modul introducerar de centrala principerna inom Machine Learning och Deep Learning, inklusive övervakad inlärning (supervised learning), oövervakad inlärning (unsupervised learning) och förstärkningsinlärning (reinforcement learning). Modulen behandlar även viktiga begrepp som features, labels, modeller, träning och testning. Deltagarna får dessutom praktisk erfarenhet av viktiga verktyg som NumPy och Pandas. Genom praktiska projekt inom e-handel och banksektorn får deltagarna bygga och utvärdera regressions- och klassificeringsmodeller. Projekten utgår från verkliga scenarier, såsom prisprognoser för bärbara datorer, diamantprisanalys, bedrägeridetektion och analys av kundbortfall. Modulen kombinerar teori, praktiska uppgifter och strukturerad feedback för att skapa en stabil grund inom maskininlärning. Modulens delar Del 1 – Grunder i ML och Deep Learning Introduktion till supervised, unsupervised och reinforcement learning Modellval och centrala begrepp inom ML Introduktion till NumPy och Pandas Del 2 – Regressionsprojekt: Prognos av laptoppriser Datapreprocessering Explorativ dataanalys Del 3 – Regressionsmodellering Träning och finjustering av modeller Användning av modellen i praktiken Uppgift: Prognos av diamantpriser Genomgång och feedback Del 4 – Klassificeringsprojekt: Bedrägeridetektion Datapreprocessering Explorativ analys Modellträning Del 5 – Klassificeringsmodellering Modellfinjustering och användning Uppgift: Prediktion av kundbortfall (churn) Genomgång och feedback Through practical projects in e-commerce and banking, learners will build and evaluate regression and classification models, working with real-world cases such as laptop price prediction, diamond price estimation, fraud detection, and customer churn analysis. The module combines theory, applied assignments, and structured feedback to build a strong foundation in machine learning. Module 1: Part 1: ML & Deep Learning basics + supervised/unsupervised/RL, model selection, core concepts, NumPy & Pandas Part 2: Regression project (Laptop price prediction) — preprocessing + exploration Part 3: Regression — training, tuning, using the model + assignment (Diamond price prediction) + review Part 4: Classification project (Fraud detection) — preprocessing + exploration + training Part 5: Classification — tuning + using the model + assignment (Customer churn prediction) + review

Denna modul fokuserar på utvecklingen av en autonom självkörande bil i en simuleringsmiljö.

I denna modul går deltagarna från traditionell maskininlärning till deep learning för computer vision. Du kommer att bygga och förbättra konvolutionella neurala nätverk (CNN) med hjälp av TensorFlow eller PyTorch, och arbeta med verklighetsnära projekt inom fordonsindustrin och life science. Modulen introducerar även hur deep learning-modeller kan distribueras och användas i molnmiljöer, till exempel via Google Cloud Platform (GCP) eller AWS. Genom praktiska uppgifter, projekt och strukturerad feedback får du möjlighet att utveckla och tillämpa dina kunskaper steg för steg. Modulens delar Del 1 – Deep learning för computer vision Introduktion till deep learning för bildanalys Projektstart: Driver distraction detection Introduktion till TensorFlow eller PyTorch Datapreprocessering och explorativ analys Del 2 – Konvolutionella neurala nätverk (CNN) Grundläggande CNN-koncept Träning av modeller Användning av förtränade CNN-modeller Del 3 – Förbättring av modellen Transfer learning för att förbättra modellprestanda Uppgift: Klassificering av växtsjukdomar Genomgång och feedback Del 4 – Distribuering av modellen i molnet Distribution och användning av computer vision-modeller i GCP eller AWS Praktisk uppgift Genomgång och feedback Module 2: Part 1: Deep learning for computer vision + project setup (driver distraction detection), TensorFlow or PyTorch, data preprocessing and exploration Part 2: CNN concepts, training the model, using pre-trained CNNs Part 3: Improving the model with transfer learning + assignment (plant disease classification) + review and feedback Part 4: Deploying and serving the computer vision model to the cloud (GCP or AWS) + assignment + review and feedback