After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Введение в сквозное машинное обучение
Погрузитесь в мир машинного обучения и узнайте, как проектировать, обучать и внедрять сквозные модели с помощью этого комплексного курса. На увлекательных примерах из реальной практики и практических упражнениях вы научитесь решать сложные задачи с данными и создавать мощные ML-модели. К концу этого курса вы будете обладать навыками, необходимыми для создания, мониторинга и поддержки высокоэффективных моделей, которые дают практические инсайты. Преобразуйте свои навыки в области машинного обучения с помощью этого комплексного практического курса и станьте профессионалом в end-to-end ML!
Оцените и улучшите свою модель
Начните с изучения основ разведочного анализа данных (EDA) и подготовки данных — вы очистите и предварительно обработаете данные, чтобы они были готовы к обучению модели. Далее вы освоите искусство инженерии и отбора признаков, чтобы оптимизировать свои модели для реальных задач; узнаете, как использовать библиотеку Boruta для отбора признаков, вести журнал экспериментов с помощью MLFlow и тонко настраивать модели с использованием k-fold cross-validation. Раскройте секреты эффективных метрик ошибок и диагностируйте переобучение, чтобы настроить свои модели на успех.
Разверните и отслеживайте свою модель
Вы также узнаете, почему feature stores и model registries так важны в сквозных ML-фреймворках. Узнайте, как развертывать и отслеживать эффективность вашей модели со временем с помощью Docker и AWS. Поймите концепцию дрейфа данных и узнайте, как обнаруживать его с помощью статистических тестов. Внедряйте циклы обратной связи, повторное обучение и стратегии разметки, чтобы поддерживать эффективность ваших моделей в условиях постоянно меняющихся данных.
Этот курс даст вам практические навыки, напрямую применимые к карьере специалиста по данным или инженера по машинному обучению, и позволит вам разрабатывать, внедрять и поддерживать модели; это важнейшие навыки для максимального использования бизнес-потенциала решений на основе машинного обучения.
Предварительные требования
Программа
Структура курса
1
Проектирование и исследование
В этой вводной главе вы изучите фундаментальные этапы любого проекта по машинному обучению: проектирование сквозного сценария использования, разведочный анализ данных и их подготовку. По завершении главы у вас сложится чёткое понимание начальных стадий проекта — от формулировки задачи до подготовки данных для дальнейшей обработки и обучения модели.
- Проектирование сквозного сценария применения машинного обучения50 XP
- Определения этапов жизненного цикла машинного обучения50 XP
- Жизненный цикл машинного обучения100 XP
- Разведочный анализ данных50 XP
- Визуализация данных100 XP
- Выявление дисбаланса классов100 XP
- Цели разведочного анализа данных100 XP
- Подготовка данных50 XP
- Функции для подготовки данных100 XP
- Продвинутое восстановление пропущенных значений100 XP
- Очистка набора данных100 XP
2
Обучение и оценка модели
Эта глава посвящена ключевым процессам обучения и оценки моделей. Она включает четыре развёрнутых урока, охватывающих различные аспекты: разработку и отбор признаков, обучение модели, журналирование экспериментов и оценку модели.
3
Развёртывание модели
Эта глава посвящена ключевым аспектам развёртывания модели — важнейшего этапа жизненного цикла машинного обучения. Глава начинается с тестирования, затем переходит к архитектурным компонентам, уделяя особое внимание хранилищам признаков и реестрам моделей. Далее рассматриваются вопросы упаковки и контейнеризации. В завершение даётся обзор непрерывной интеграции и непрерывного развёртывания (CI/CD).
4
Мониторинг модели
В заключительной главе вы разберётесь в тонкостях мониторинга модели — критически важного этапа жизненного цикла машинного обучения.
Сквозное машинное обучение
Курс
завершён
