После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Развёртывание моделей машинного обучения в производственной среде кажется простым с современными инструментами, однако на практике модель нередко работает хуже, чем в процессе разработки. Этот курс даст вам четыре ключевых навыка, которые выделят вас среди специалистов по данным и помогут создавать надёжные конвейеры: исчерпывающая настройка всех аспектов модели на этапе разработки; максимально эффективное использование экспертных знаний; мониторинг производительности модели и устранение её деградации; работа с данными, у которых мало разметки или она неточна. Курс глубоко погружает в передовые возможности sklearn и охватывает реальные наборы данных из таких актуальных областей, как персонализированная медицина и кибербезопасность — всё это открывает практический взгляд на машинное обучение.
Предварительные требования
Программа
План курса
1
Стандартный рабочий процесс
В этой главе вы повторите основы рабочего процесса обучения с учителем: обучение и настройку модели, отбор модели, конструирование и отбор признаков, а также методы разбиения данных. Вы поймёте, как эти шаги зависят друг от друга, и увидите, как каждый из них может как вызывать переобучение, так и помогать с ним бороться — главной проблемой специалиста по данным. К концу главы вы уверенно освоите обучение с учителем и будете готовы перейти к более сложному материалу следующих глав.
- Конвейеры обучения с учителем50 XP
- Разработка признаков100 XP
- Ваш первый конвейер100 XP
- Сложность модели и переобучение50 XP
- Поиск по сетке для настройки сложности модели100 XP
- Количество деревьев и оценщиков50 XP
- Конструирование признаков и переобучение50 XP
- Кодирование категориальных признаков100 XP
- Преобразования признаков100 XP
- Собираем всё вместе100 XP
2
Человек в контуре управления
В предыдущей главе вы углубили знания о стандартных рабочих процессах обучения с учителем. В этой главе вы критически рассмотрите способы включения экспертных знаний в такое обучение. Это достигается через выбор подходящей единицы анализа, которая может потребовать конструирования признаков из нескольких источников данных, через не всегда точный процесс разметки примеров, а также через задание функции потерь, отражающей реальную бизнес-ценность ошибок вашей модели.
3
Управление жизненным циклом модели
В предыдущей главе вы применяли различные способы включения обратной связи от экспертов в рабочий процесс и оценивали её с учётом бизнес-ценности. Теперь пришло время освоить навыки, необходимые для перевода модели в производственную среду и поддержания её качества за счёт итеративного улучшения. Вы также научитесь диагностировать смещение набора данных и снижать влияние изменяющейся среды на точность модели.
4
Рабочие процессы без учителя
В предыдущих главах вы заложили прочную основу в области обучения с учителем, включая знания о развёртывании моделей в производственной среде, и всегда предполагали наличие размеченного набора данных. В этой главе вы столкнётесь с задачей моделирования данных без разметки или с очень малым её количеством. Это погружение в обнаружение аномалий — разновидность обучения без учителя — и в обучение на основе расстояний, где представления о сходстве между примерами заменяют метки и позволяют достичь точности, сопоставимой с обучением с учителем. После завершения этой главы вы будете уверенно выделяться среди специалистов по данным, чётко понимая, какие инструменты применять для адаптации рабочего процесса к типичным реальным задачам.
Проектирование рабочих процессов машинного обучения на Python
Курс
завершён
