After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Een machinelearningmodel in productie brengen lijkt met moderne tools eenvoudig, maar eindigt vaak in een teleurstelling omdat het model in productie slechter presteert dan in de ontwikkelfase. Deze cursus geeft je vier superkrachten waarmee je je onderscheidt van de rest en pijplijnen bouwt die de tand des tijds doorstaan: hoe je elk aspect van je model in de ontwikkelfase grondig afstelt; hoe je beschikbare domeinkennis optimaal benut; hoe je je model monitort in productie en omgaat met prestatieverslechtering; en tot slot hoe je omgaat met slecht of schaars gelabelde data. We duiken diep in de nieuwste mogelijkheden van sklearn en werken met realistische gegevenssets uit populaire domeinen zoals gepersonaliseerde gezondheidszorg en cybersecurity. Deze cursus laat je Machine Learning zien vanaf de frontlinie.
Vereisten
Curriculum
Cursusoverzicht
1
De standaardworkflow
In dit hoofdstuk fris je de basis van een supervised learning-workflow op, inclusief het trainen, afstemmen en selecteren van modellen, feature engineering en -selectie, en technieken voor het splitsen van data. Je ontdekt hoe de stappen in een workflow van elkaar afhangen, en herkent hoe ze kunnen bijdragen aan of juist beschermen tegen overfitting: de grootste vijand van de data scientist. Aan het einde van dit hoofdstuk ben je al vaardig met supervised learning en klaar om in latere hoofdstukken de meer gevorderde stof in te duiken.
- Pipelines voor supervised learning50 XP
- Feature engineering100 XP
- Je eerste pipeline100 XP
- Modelcomplexiteit en overfitting50 XP
- Grid search CV voor modelcomplexiteit100 XP
- Aantal bomen en estimators50 XP
- Feature engineering en overfitting50 XP
- Categorische encoderingen100 XP
- Featuretransformaties100 XP
- Alles samenbrengen100 XP
2
De mens in de lus
In het vorige hoofdstuk heb je je kennis van de standaard supervised learning-workflows geperfectioneerd. In dit hoofdstuk bekijk je kritisch hoe expertkennis wordt verwerkt in supervised learning. Dat doe je door de juiste analyseeenheid te bepalen — wat feature engineering over meerdere databronnen kan vereisen —, door het soms onvolmaakte proces van het labelen van voorbeelden, en door het specificeren van een loss-functie die de echte bedrijfswaarde van fouten van je Machine Learning-model vastlegt.
3
Lifecyclebeheer van modellen
In het vorige hoofdstuk heb je verschillende manieren gebruikt om feedback van experts in je workflow op te nemen en te evalueren op een manier die aansluit bij bedrijfswaarde. Nu ga je oefenen met de vaardigheden die nodig zijn om je model te productiseren en ervoor te zorgen dat het daarna goed blijft presteren door het iteratief te verbeteren. Je leert ook hoe je dataset shift herkent en het effect beperkt dat een veranderende omgeving kan hebben op de nauwkeurigheid van je model.
4
Unsupervised workflows
In de vorige hoofdstukken heb je een solide basis gelegd in supervised learning, inclusief kennis over het uitrollen van modellen in productie, maar daarbij ging je er steeds van uit dat je een gelabelde gegevensset had voor je analyse. In dit hoofdstuk ga je de uitdaging aan om te modelleren met geen of heel weinig labels. Je maakt een reis langs anomaly detection, een vorm van unsupervised modelleren, en langs distance-based learning, waarbij aannames over wat overeenkomt met ‘gelijkenis’ tussen twee voorbeelden labels kunnen vervangen om een nauwkeurigheid te bereiken die vergelijkbaar is met een supervised workflow. Na dit hoofdstuk onderscheid je je duidelijk van andere data scientists omdat je vol vertrouwen weet welke tools je gebruikt om je workflow aan te passen en veelvoorkomende uitdagingen uit de praktijk te overwinnen.
Machine Learning-workflows ontwerpen in Python
Cursus
voltooid
