After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Implementarea modelelor de machine learning în producție pare simplă cu instrumentele moderne, dar duce adesea la dezamăgire, deoarece modelul performează mai slab în producție decât în dezvoltare. Acest curs îți va oferi patru abilități esențiale care te vor diferenția în lumea data science și te vor ajuta să construiești pipeline-uri durabile: cum să reglezi exhaustiv fiecare aspect al modelului în faza de dezvoltare; cum să valorifici la maximum expertiza disponibilă în domeniu; cum să monitorizezi performanța modelului și să gestionezi orice deteriorare a acesteia; și, în final, cum să lucrezi cu date slab sau insuficient etichetate. Explorând în profunzime capabilitățile avansate ale sklearn și lucrând cu seturi de date reale din domenii actuale precum asistența medicală personalizată și securitatea cibernetică, acest curs îți oferă o perspectivă practică asupra machine learning-ului din prima linie.
Cerințe prealabile
Curriculum
Structura cursului
1
Fluxul de lucru standard
În acest capitol, vei revedea elementele de bază ale unui flux de lucru de învățare supervizată, incluzând antrenarea și ajustarea modelului, selecția modelului, ingineria și selecția caracteristicilor, precum și tehnicile de împărțire a datelor. Vei înțelege cum acești pași dintr-un flux de lucru depind unii de alții și vei recunoaște cum pot contribui fiecare la supraajustare sau pot lupta împotriva ei — cel mai mare dușman al unui specialist în date. La finalul capitolului, vei stăpâni învățarea supervizată și vei fi pregătit să aprofundezi materialul avansat din capitolele următoare.
- Pipeline-uri de învățare supervizată50 XP
- Ingineria caracteristicilor100 XP
- Primul tău pipeline100 XP
- Complexitatea modelului și supraadaptarea50 XP
- Grid search CV pentru complexitatea modelului100 XP
- Numărul de arbori și estimatori50 XP
- Ingineria caracteristicilor și supraadaptarea50 XP
- Codificări pentru variabile categorice100 XP
- Transformări ale caracteristicilor100 XP
- Pune totul cap la cap100 XP
2
Expertul uman în proces
În capitolul anterior, ți-ai perfecționat cunoștințele despre fluxurile de lucru standard de învățare supervizată. În acest capitol, vei analiza critic modalitățile prin care cunoștințele de specialitate sunt integrate în învățarea supervizată. Acest lucru se realizează prin identificarea unității de analiză potrivite — care poate necesita ingineria caracteristicilor din mai multe surse de date —, prin procesul uneori imperfect de etichetare a exemplelor și prin specificarea unei funcții de pierdere care să reflecte valoarea reală de business a erorilor produse de modelul tău de machine learning.
3
Gestionarea ciclului de viață al modelului
În capitolul anterior, ai aplicat diferite metode de integrare a feedback-ului experților în fluxul tău de lucru și ai evaluat rezultatele în concordanță cu valoarea de business. Acum este momentul să exersezi abilitățile necesare pentru a pune modelul în producție și pentru a te asigura că performanța sa se menține prin îmbunătățire iterativă. Vei învăța, de asemenea, să diagnostichezi schimbările în distribuția datelor și să atenuezi efectul pe care un mediu în schimbare îl poate avea asupra acurateței modelului tău.
4
Fluxuri de lucru nesupervizate
În capitolele anterioare, ai construit o bază solidă în învățarea supervizată, incluzând cunoștințe despre implementarea modelelor în producție, presupunând mereu că ai la dispoziție un set de date etichetat. În acest capitol, abordezi provocarea de a modela date fără etichete sau cu foarte puține. Vei intra astfel într-o lume a detectării anomaliilor — un tip de modelare nesupervizată — și a învățării bazate pe distanță, unde noțiunile de similaritate dintre exemple pot înlocui etichetele și te pot ajuta să atingi niveluri de acuratețe comparabile cu un flux de lucru supervizat. La finalul acestui capitol, te vei diferenția clar în rândul specialiștilor în date, știind cu încredere ce instrumente să folosești pentru a-ți adapta fluxul de lucru și a depăși provocările frecvente din lumea reală.
Proiectarea fluxurilor de lucru pentru Machine Learning în Python
Curs
finalizat
