University of California, Irvine - Division of Continuing Education

Διαδικτυακό Πρόγραμμα Εξειδικευμένων Σπουδών στη Μηχανική και τη Βαθιά Μάθηση

ΣΦΑΙΡΙΚΗ ΕΙΚΟΝΑ

Η Μηχανική Μάθηση και η Επεξεργασία Φυσικής Γλώσσας καθορίζουν την τρέχουσα κατάσταση της τέχνης της Τεχνητής Νοημοσύνης. Αυτές οι τεχνολογίες, που είναι μια μορφή εξόρυξης δεδομένων και ανάλυσης δεδομένων, μαθαίνουν συνεχώς από τις παρεχόμενες πληροφορίες. Αναγνωρίζουν κρυφά μοτίβα που συχνά παρέχουν δραματικά ανταγωνιστικά πλεονεκτήματα με σχετικά χαμηλό κόστος για τον οργανισμό. Αυτές οι τεχνολογίες δημιουργούν σημαντικές βελτιώσεις στον τρόπο με τον οποίο εργαζόμαστε, αλληλεπιδρούμε και ζούμε για να παράγουμε αποτελεσματικότητες που δεν φανταζόμασταν πριν. Αυτές οι μέθοδοι εφαρμόζονται σε ένα ευρύ φάσμα βιομηχανιών, συμπεριλαμβανομένων των πωλήσεων, του μάρκετινγκ, της διαφήμισης, της υγειονομικής περίθαλψης, της ποινικής δικαιοσύνης, της χρηματοδότησης υποστήριξης πελατών και των νέων βιομηχανιών όπως τα αυτόνομα αυτοκίνητα και τα εξαιρετικά αποδοτικά αυτοματοποιημένα σπίτια. Οι οργανισμοί σήμερα χρησιμοποιούν αυτές τις μεθόδους όχι μόνο για να βελτιώσουν τις βασικές επιχειρηματικές τους δραστηριότητες αλλά και για την ανάπτυξη νέων επιχειρηματικών μοντέλων.

Οφέλη προγράμματος

• Μάθετε από ειδικούς του κλάδου πώς να εφαρμόζετε την τέχνη και την επιστήμη της μηχανής και τη βαθιά μάθηση για να προσφέρετε νέες ιδέες και να βελτιώσετε την ανταγωνιστικότητα της επιχείρησής σας
• Εξηγήστε ποια είδη προβλημάτων είναι τα καταλληλότερα για μηχανική εκμάθηση και ποια είναι τα καλύτερα για βαθιά μάθηση
• Κατανοήστε και εφαρμόστε εργαλεία λογισμικού μηχανικής και βαθιάς εκμάθησης που χρησιμοποιούνται στη βιομηχανία για την επίλυση επιχειρηματικών προβλημάτων
• Εξηγήστε μια ποικιλία αλγορίθμων μάθησης και πώς εφαρμόζονται για να κατανοήσετε τις διαφορές μεταξύ μη εποπτευόμενων, ημι-εποπτευόμενων, εποπτευόμενων και διαδικασιών ενίσχυσης
• Μάθετε μεθοδολογίες και εργαλεία για την εφαρμογή αλγορίθμων χρησιμοποιώντας ένα ευρύ φάσμα πραγματικών τύπων δεδομένων, συμπεριλαμβανομένων δομημένου και μη δομημένου κειμένου, βίντεο και εικόνων από εσωτερικές ή εξωτερικές πηγές (π.χ. scraped web data) και αξιολογήστε την απόδοσή τους
• Καθορίστε τις σχετικές εργαλειοθήκες λογισμικού που θα εξετάσετε και πώς να τις ενσωματώσετε στις υπάρχουσες ροές εργασίας δεδομένων
• Χρησιμοποιήστε βασικά δομικά στοιχεία, γενικές αρχές και τεχνολογίες cloud, όπως το Amazon Web Services (AWS) για να σχεδιάσετε αλγόριθμους μηχανικής εκμάθησης
• Μάθετε τα εργαλεία και τις τεχνικές της Επεξεργασίας Φυσικής Γλώσσας (NLP) και τη χρήση της στην ανάλυση περιεχομένου που δημιουργείται από τον άνθρωπο
• Κατανοήστε κοινές παγίδες και προκλήσεις χρησιμοποιώντας νευρωνικά δίκτυα και εργαλεία βαθιάς μάθησης
• Κατανοήστε ποιο υλικό ή εικονικές μηχανές χρειάζονται για βαθιά μάθηση
• Εξηγήστε τη διαφορά μεταξύ μηχανικής και βαθιάς μάθησης έναντι των παραδοσιακών τεχνικών ανάλυσης στατιστικών δεδομένων