After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Wdrażanie modeli uczenia maszynowego na produkcji wydaje się proste dzięki nowoczesnym narzędziom, jednak często kończy się rozczarowaniem – model działa gorzej na produkcji niż podczas tworzenia. Ten kurs wyposaży cię w cztery kluczowe umiejętności, które wyróżnią cię spośród innych data scientistów i pozwolą budować pipelines odporne na próbę czasu: jak wyczerpująco dostrajać każdy aspekt modelu podczas jego tworzenia; jak najlepiej wykorzystać dostępną wiedzę dziedzinową; jak monitorować wydajność modelu i radzić sobie z jej pogorszeniem; oraz jak pracować ze słabo lub rzadko oznakowanymi danymi. Zagłębiając się w najnowsze możliwości sklearn i pracując z rzeczywistymi zbiorami danych z takich dziedzin jak spersonalizowana opieka zdrowotna czy cyberbezpieczeństwo, kurs przedstawia uczenie maszynowe z praktycznej perspektywy.
Wymagania wstępne
Program kursu
Plan kursu
1
Standardowy przepływ pracy
W tym rozdziale przypomnisz sobie podstawy nadzorowanego przepływu pracy – od dopasowywania i strojenia modelu, przez selekcję cech i inżynierię cech, aż po techniki podziału danych. Zrozumiesz, jak poszczególne etapy przepływu pracy zależą od siebie nawzajem, i nauczysz się rozpoznawać, w jaki sposób każdy z nich może sprzyjać overfittingowi lub mu przeciwdziałać – a overfitting to największy wróg każdego data scientista. Po ukończeniu rozdziału będziesz pewnie poruszać się w obszarze uczenia nadzorowanego i gotowy na głębsze zagadnienia w kolejnych rozdziałach.
- Potoki uczenia nadzorowanego50 XP
- Inżynieria cech100 XP
- Twój pierwszy potok100 XP
- Złożoność modelu i przeuczenie50 XP
- GridSearchCV dla złożoności modelu100 XP
- Liczba drzew i estymatorów50 XP
- Inżynieria cech a przeuczenie50 XP
- Kodowanie zmiennych kategorycznych100 XP
- Transformacje cech100 XP
- Składamy wszystko razem100 XP
2
Człowiek w pętli
W poprzednim rozdziale pogłębiłeś wiedzę na temat standardowych przepływów pracy w uczeniu nadzorowanym. W tym rozdziale przyjrzysz się krytycznie sposobom, w jakie wiedza ekspercka jest włączana do procesu uczenia nadzorowanego. Odbywa się to poprzez identyfikację właściwej jednostki analizy, która może wymagać inżynierii cech z wielu źródeł danych, przez często niedoskonały proces etykietowania przykładów, a także przez definiowanie funkcji straty odzwierciedlającej rzeczywistą wartość biznesową błędów popełnianych przez model.
3
Zarządzanie cyklem życia modelu
W poprzednim rozdziale stosowałeś różne sposoby uwzględniania informacji zwrotnej od ekspertów w przepływie pracy oraz oceniałeś ją w sposób zgodny z wartością biznesową. Teraz czas przećwiczyć umiejętności potrzebne do wdrożenia modelu na produkcję i zapewnienia jego długotrwałej skuteczności poprzez iteracyjne doskonalenie. Nauczysz się też diagnozować przesunięcie zbioru danych i ograniczać wpływ zmieniającego się środowiska na dokładność modelu.
4
Przepływy pracy bez nadzoru
W poprzednich rozdziałach zbudowałeś solidne podstawy uczenia nadzorowanego, łącznie z wiedzą o wdrażaniu modeli na produkcję – zakładając jednak zawsze, że do analizy dostępny jest oznakowany zbiór danych. W tym rozdziale podejmiesz wyzwanie modelowania danych bez etykiet lub z bardzo nielicznymi etykietami. Poznasz metody wykrywania anomalii jako rodzaj modelowania bez nadzoru, a także uczenie oparte na odległości, gdzie przekonania o podobieństwie między przykładami mogą zastąpić etykiety i pomóc osiągnąć dokładność porównywalną z nadzorowanym przepływem pracy. Po ukończeniu tego rozdziału będziesz wyraźnie wyróżniać się wśród data scientistów – pewnie wiedząc, jakich narzędzi użyć, by dostosować swój przepływ pracy do typowych wyzwań rzeczywistych projektów.
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Kurs
ukończony
