Apprendimento non supervisionato, sistemi di raccomandazione e apprendimento per rinforzo

Gran parte dei dati del mondo non è etichettata e alcuni dei più potenti sistemi di IA imparano esplorando i loro ambienti o comprendendo le preferenze degli utenti.Questo corso basato su testo ti guida attraverso i concetti fondamentali di apprendimento non supervisionato, motori di raccomandazione e apprendimento per rinforzo.Passerai dalla comprensione dei modelli supervisionati di base alla progettazione di sistemi che raggruppano set di dati complessi, suggeriscono contenuti pertinenti e prendono decisioni autonome. Cosa imparerai: - Comprendere la logica fondamentale dietro gli algoritmi di clustering come le K-means e le tecniche di rilevamento delle anomalie. - Crea sistemi di filtraggio collaborativi e sistemi di raccomandazione basati sui contenuti utilizzando i moderni principi di deep learning. - Implementare modelli di apprendimento profondo del rinforzo, comprese le funzioni di valore di stato-azione e l'ottimizzazione delle politiche. - Esplora i moderni database vettoriali e le tecniche di incorporamento utilizzate per scalare i sistemi di raccomandazione oggi. - Applicare le metriche di valutazione per valutare la precisione, il richiamo e la sicurezza degli agenti di apprendimento non supervisionati e di rinforzo. Il corso inizia con la terminologia essenziale e le basi matematiche dei dati non etichettati prima di passare agli algoritmi di raccomandazione e agli ambienti di apprendimento interattivo di rinforzo. Imparerai attraverso spiegazioni scritte dettagliate e guide passo-passo del codice. Progettato per i principianti con una conoscenza di base di Python e concetti introduttivi di apprendimento automatico, questo corso non richiede alcuna esperienza precedente in IA avanzata.