After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Att driftsätta maskininlärningsmodeller i produktion verkar enkelt med moderna verktyg, men slutar ofta i besvikelse när modellen presterar sämre i produktion än under utveckling. Den här kursen ger dig fyra förmågor som får dig att sticka ut bland datavetenskap och bygga pipelines som håller över tid: hur du noggrant finjusterar varje del av din modell under utveckling, hur du utnyttjar tillgänglig domänexpertis på bästa sätt, hur du övervakar modellens prestanda och hanterar eventuell försämring, samt hur du arbetar med knappt eller felaktigt märkt data. Kursen går på djupet i det senaste inom sklearn och arbetar med verkliga datamängder från områden som personaliserad sjukvård och cybersäkerhet – och ger dig en bild av maskininlärning direkt från fronten.
Förkunskapskrav
Kursplan
Kursöversikt
1
Standardflödet
I det här kapitlet repeterar du grunderna i ett övervakat inlärningsflöde, med modellträning, finjustering och urval, särdragsframtagning och -urval samt tekniker för att dela upp data. Du lär dig hur dessa steg i ett flöde beror av varandra och hur de alla kan bidra till – eller motverka – överanpassning: datavetarens värsta fiende. När kapitlet är slut behärskar du övervakad inlärning och är redo att ta dig an det mer avancerade materialet i kommande kapitel.
- Övervakade inlärningspipelines50 XP
- Feature engineering100 XP
- Din första pipeline100 XP
- Modellkomplexitet och överanpassning50 XP
- Grid search CV för modellkomplexitet100 XP
- Antal träd och estimatorer50 XP
- Särdragshantering och överanpassning50 XP
- Kategoriska kodningar100 XP
- Särdragstransformationer100 XP
- Sätt ihop allt100 XP
2
Människan i loopen
I föregående kapitel fördjupade du dina kunskaper om standardflöden för övervakad inlärning. I det här kapitlet granskar du kritiskt hur expertkunskap integreras i övervakad inlärning. Det sker genom att identifiera rätt analysenhet – vilket kan kräva särdragsframtagning från flera datakällor – genom den ibland ofullkomliga processen att märka exempel, samt genom att specificera en förlustfunktion som fångar det verkliga affärsvärdet av de fel din maskininlärningsmodell gör.
3
Hantering av modellens livscykel
I föregående kapitel använde du olika sätt att integrera expertåterkoppling i ditt flöde och utvärdera det utifrån affärsvärde. Nu är det dags att öva på de färdigheter som krävs för att produktionssätta din modell och säkerställa att den fortsätter prestera väl – genom att iterativt förbättra den. Du lär dig också att diagnostisera datamängdsförskjutning och minska den effekt som en föränderlig miljö kan ha på modellens träffsäkerhet.
4
Oövervakade flöden
I de tidigare kapitlen lade du en solid grund inom övervakad inlärning, inklusive kunskaper om att driftsätta modeller i produktion – men alltid med antagandet att en märkt datamängd skulle finnas tillgänglig. I det här kapitlet tar du dig an utmaningen att modellera data utan, eller med mycket få, etiketter. Det leder dig in i anomalidetektion, en form av oövervakad modellering, samt distansbaserad inlärning, där antaganden om likhet mellan exempel kan ersätta etiketter och hjälpa dig nå en träffsäkerhet som är jämförbar med ett övervakat flöde. När du har genomfört kapitlet sticker du tydligt ut bland datavetenskap och vet med säkerhet vilka verktyg du ska använda för att anpassa ditt flöde och hantera vanliga verkliga utmaningar.
Att designa maskininlärningsflöden i Python
Kurs
slutförd
