Build your ultimate AI agent
รายละเอียดคอร์ส
การนำโมเดล machine learning ไปใช้งานจริงดูเหมือนจะง่ายด้วยเครื่องมือสมัยใหม่ แต่มักจบลงด้วยความผิดหวังเมื่อโมเดลทำงานได้แย่กว่าในขั้นตอนพัฒนา คอร์สนี้จะมอบความสามารถ 4 ด้านที่จะทำให้โดดเด่นในสายงาน data science และสร้าง pipeline ที่ยั่งยืน ได้แก่ การปรับแต่งทุกมิติของโมเดลอย่างละเอียดในขั้นพัฒนา การนำความเชี่ยวชาญเฉพาะทางมาใช้ให้เกิดประโยชน์สูงสุด การติดตามประสิทธิภาพโมเดลและรับมือกับการถดถอยที่อาจเกิดขึ้น และการจัดการกับข้อมูลที่มี label น้อยหรือไม่ครบถ้วน คอร์สนี้เจาะลึก sklearn ขั้นสูงและใช้ชุดข้อมูลจริงจากสาขาที่น่าสนใจ เช่น การดูแลสุขภาพเฉพาะบุคคลและความปลอดภัยทางไซเบอร์ เพื่อให้เห็นภาพ machine learning จากประสบการณ์จริง
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
Workflow มาตรฐาน
ในบทนี้ จะทบทวนพื้นฐานของ supervised learning workflow ครบทุกขั้นตอน ตั้งแต่การ fit โมเดล การปรับแต่งและคัดเลือกโมเดล การทำ feature engineering และ feature selection ไปจนถึงเทคนิคการแบ่งข้อมูล จะได้เข้าใจว่าแต่ละขั้นตอนใน workflow เชื่อมโยงกันอย่างไร และทุกขั้นตอนสามารถนำไปสู่หรือต่อต้าน overfitting ซึ่งเป็นปัญหาที่ data scientist หวาดกลัวที่สุด เมื่อจบบทนี้ จะมีความคล่องแคล่วใน supervised learning และพร้อมสำหรับเนื้อหาขั้นสูงในบทถัดไป
- กระบวนการทำงานของการเรียนรู้แบบมีผู้สอน50 XP
- Feature Engineering100 XP
- Pipeline แรกของคุณ100 XP
- ความซับซ้อนของโมเดลและการ Overfitting50 XP
- Grid Search CV สำหรับความซับซ้อนของโมเดล100 XP
- จำนวนต้นไม้และ Estimator50 XP
- Feature Engineering และการ Overfit50 XP
- การเข้ารหัสข้อมูลประเภท Categorical100 XP
- การแปลงฟีเจอร์100 XP
- รวมทุกอย่างเข้าด้วยกัน100 XP
2
บทบาทของมนุษย์ในกระบวนการ
ในบทก่อนหน้า ได้เสริมสร้างความเชี่ยวชาญใน supervised learning workflows มาตรฐานอย่างเต็มที่แล้ว ในบทนี้ จะวิเคราะห์อย่างเจาะลึกถึงวิธีการนำความรู้เชี่ยวชาญของผู้เชี่ยวชาญมาผนวกใน supervised learning ซึ่งทำได้ผ่านการระบุหน่วยการวิเคราะห์ที่เหมาะสมซึ่งอาจต้องอาศัย feature engineering จากแหล่งข้อมูลหลายแหล่ง กระบวนการติด label ซึ่งอาจไม่สมบูรณ์แบบเสมอไป และการกำหนด loss function ที่สะท้อนมูลค่าทางธุรกิจที่แท้จริงจากข้อผิดพลาดของโมเดล
3
การจัดการวงจรชีวิตของโมเดล
ในบทก่อนหน้า ได้ฝึกนำ feedback จากผู้เชี่ยวชาญมาใช้ใน workflow และประเมินผลในแง่มูลค่าทางธุรกิจแล้ว บทนี้จะฝึกทักษะที่จำเป็นสำหรับการนำโมเดลไปใช้งานจริงและดูแลให้ประสิทธิภาพคงที่ด้วยการปรับปรุงอย่างต่อเนื่อง นอกจากนี้ยังจะได้เรียนรู้การวินิจฉัย dataset shift และลดผลกระทบจากสภาพแวดล้อมที่เปลี่ยนแปลงต่อความแม่นยำของโมเดล
4
Unsupervised Workflows
ในบทก่อนหน้า ได้สร้างรากฐานที่แข็งแกร่งใน supervised learning รวมถึงการนำโมเดลไปใช้งานจริง โดยตั้งสมมติฐานว่ามีชุดข้อมูลที่มี label พร้อมใช้งานเสมอ ในบทนี้ จะรับมือกับความท้าทายของการสร้างโมเดลจากข้อมูลที่ไม่มี label เลย หรือมีเพียงเล็กน้อย ซึ่งจะพาเข้าสู่โลกของการตรวจจับความผิดปกติ (anomaly detection) ซึ่งเป็น unsupervised modeling รูปแบบหนึ่ง รวมถึง distance-based learning ที่ใช้ความเชื่อเกี่ยวกับความคล้ายคลึงระหว่างตัวอย่างแทน label เพื่อให้ได้ระดับความแม่นยำใกล้เคียงกับ supervised workflow เมื่อจบบทนี้ จะโดดเด่นอย่างชัดเจนในกลุ่ม data scientist ด้วยความมั่นใจในการเลือกใช้เครื่องมือที่เหมาะสมเพื่อรับมือกับความท้าทายในโลกจริง
การออกแบบ Machine Learning Workflows ด้วย Python
เรียนจบแล้ว
