IBM 人工智能工程 专业证书 | Coursera

在这个"双十一"，致力于职业发展 。Coursera Plus全年会员享8折优惠。
在不到 4 个月的时间里，掌握 AI 工程技能，积累实践经验，吸引雇主的眼球。为你的简历加分！
位教师：IBM Skills Network Team另外 16 个
包含在 Coursera Plus•了解更多 中
来自此计划中课程的 22,394 条评论
来自此计划中课程的 22,394 条评论
描述机器学习、深度学习、神经网络以及分类、回归、聚类和降维等 ML 算法
使用 SciPy 和 ScikitLearn 实现有监督和无监督机器学习模型
在 Apache Spark 上部署机器学习算法和管道
使用 Keras、PyTorch 和 TensorFlow 构建深度学习模型和神经网络
到 2030 年，AI 预计将增长 36.6%（福布斯）。 本 IBM AI 工程专业证书非常适合数据科学家、机器学习工程师、软件工程师和其他希望作为 AI 工程师做好就业准备的技术专家。
在本课程中，您将学习构建、训练和部署不同类型的Deep Architecture，包括卷积神经网络、递归网络、自动编码器和生成式 AI 模型 （包括大型语言模型 (LLM)）。
您将掌握机器学习和深度学习的基本概念，包括使用 Python进行监督学习和非监督学习。您将应用SciPy、ScikitLearn、Keras、PyTorch 和 TensorFlow等流行库，解决对象识别、计算机视觉、图像和视频处理、文本分析、自然语言处理 (NLP) 和推荐系统等行业问题。 使用LLM和RAG以及Hugging Face和LangChain 等框架构建生成式 AI 应用程序。
您将在实验室和项目中工作，从而获得有关 Deep Learning 框架的实际工作知识。
如果您正在寻找适合工作的技能和雇主所需的实践经验，请立即注册，打造一份与众不同的简历和作品集！
让雇主相信你是合适人选的最佳方式就是在面试中突出你的相关实践经验。
本个人计算机课程专为帮助您积累雇主所需的实践经验而设计。在整个课程中，您将在实践实验室和项目中应用您的技能，从而对您的新能力进行微调。您将
使用 Keras、PyTorch 和 TensorFlow 构建深度学习模型和神经网络。
使用 SciPy 和 ScikitLearn、位置编码、掩码、注意力机制和文档分类实现监督和非监督机器学习模型。
创建 GPT 和 BERT 等 LLM。
使用 LangChain、Hugging Face 和 PyTorch 等主要语言模型框架开发 NLP 中的 Transfer Learning 应用。
为模型交互设置 Gradio Interface，使用 LangChain 和 LLM 构建 QA 机器人，回答加载文档中的问题。
解释机器学习中涉及的关键概念、工具和角色，包括监督和非监督学习技术。
使用 Python 和 Scikit-learn 应用核心机器学习算法，如 Regression、分类、Cluster 和降维。
使用适当的指标、验证策略和优化技术评估模型性能。
通过动手实验室、项目和实际评估，在真实数据集上构建和评估端到端 Machine Learning 解决方案。
描述深度学习、神经元和人工神经网络的基础概念，以解决现实世界中的问题
解释神经网络的核心概念和组成部分，以及训练深度网络所面临的挑战
使用 Keras 库构建用于回归和分类的深度学习模型，有效解释模型性能指标。
设计高级架构，如 CNN、RNN 和 Transformer，以解决图像分类和语言建模等特定问题
在 Keras 中创建自定义层和模型，并将 Keras 与 TensorFlow 2.x 相集成
使用 Keras 开发高级卷积神经网络 (CNN)
开发用于序列数据和时间系列预测的 Transformer Model
解释 Keras 中的无监督学习、Deep Q-networks (DQN) 和强化学习的关键概念
动手构建、培训和评估 PyTorch 模型，以便在专业作品集中展示
获得使用 PyTorch 核心工具（包括 autograd 和 DataLoader）处理张量、数据集和自动微分的实践经验
利用梯度下降、迷你批次优化和训练/验证分割来开发线性回归模型，以评估模型性能
-应用交叉熵损失、基于 sigmoid 的分类和高级优化技术，在 PyTorch 中建立逻辑回归模型
获得使用 PyTorch 构建和部署人工智能系统的实践经验，并完成一个具有投资组合价值的项目。
开发和训练各种架构的浅层神经网络，并在多类分类问题中应用 Softmax 回归。