Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, 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 nauczania
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
