Name: Machine Learning แบบ End-to-End
Rating: 4.790368271954674 (353 reviews)

รายละเอียดคอร์ส

บทนำสู่การเรียนรู้ของเครื่องแบบครบวงจร

ดำดิ่งสู่โลกของแมชชีนเลิร์นนิงและค้นพบวิธีออกแบบ ฝึกฝน และนำโมเดลแบบครบวงจรไปใช้งานจริงด้วยคอร์สที่ครอบคลุมนี้ ผ่านตัวอย่างที่น่าสนใจจากโลกจริงและแบบฝึกหัดลงมือปฏิบัติ คุณจะได้เรียนรู้วิธีรับมือกับปัญหาข้อมูลที่ซับซ้อนและสร้างโมเดล ML ที่ทรงพลัง เมื่อจบหลักสูตรนี้ คุณจะมีทักษะที่จำเป็นในการสร้าง ติดตาม และดูแลรักษาโมเดลประสิทธิภาพสูงที่มอบข้อมูลเชิงลึกที่นำไปใช้ได้จริง เปลี่ยนความเชี่ยวชาญด้านแมชชีนเลิร์นนิงของคุณให้ก้าวไปอีกระดับด้วยคอร์สแบบลงมือปฏิบัติที่ครอบคลุมนี้ และก้าวสู่การเป็นมืออาชีพด้าน ML แบบครบวงจร!

ประเมินและปรับปรุงโมเดลของคุณ

เริ่มต้นด้วยการเรียนรู้พื้นฐานของการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) และการเตรียมข้อมูล - คุณจะได้ทำความสะอาดและเตรียมข้อมูลล่วงหน้า เพื่อให้พร้อมสำหรับการฝึกโมเดล ต่อไป ฝึกฝนศิลปะของการสร้างและคัดเลือกฟีเจอร์เพื่อเพิ่มประสิทธิภาพให้โมเดลของคุณรับมือกับความท้าทายในโลกจริงได้อย่างเต็มที่; เรียนรู้วิธีใช้ไลบรารี Boruta สำหรับการคัดเลือกฟีเจอร์ บันทึกการทดลองด้วย MLFlow และปรับจูนโมเดลของคุณด้วยการทำ cross-validation แบบ k-fold. ค้นพบเคล็ดลับของเมตริกข้อผิดพลาดที่มีประสิทธิภาพและวินิจฉัยภาวะโอเวอร์ฟิตติ้ง เพื่อเตรียมโมเดลของคุณให้พร้อมสู่ความสำเร็จ

ปรับใช้งานและติดตามโมเดลของคุณ

คุณจะได้สำรวจความสำคัญของ feature store และ model registry ในเฟรมเวิร์ก ML แบบ end-to-end ด้วย เรียนรู้วิธีนำโมเดลของคุณไปใช้งานจริงและติดตามประสิทธิภาพของโมเดลเมื่อเวลาผ่านไปโดยใช้ Docker และ AWS ทำความเข้าใจแนวคิดของ data drift และวิธีตรวจจับด้วยการทดสอบทางสถิติ ใช้วงจรป้อนกลับ การฝึกใหม่ และกลยุทธ์การติดป้ายกำกับ เพื่อรักษาประสิทธิภาพของโมเดลของคุณท่ามกลางข้อมูลที่เปลี่ยนแปลงอยู่ตลอดเวลา

คอร์สนี้จะมอบทักษะเชิงปฏิบัติที่นำไปใช้ได้โดยตรงกับอาชีพนักวิทยาศาสตร์ข้อมูลหรือวิศวกรแมชชีนเลิร์นนิง ช่วยให้คุณสามารถออกแบบ ติดตั้งใช้งาน และดูแลรักษาโมเดลได้ ซึ่งเป็นทักษะสำคัญในการต่อยอดผลกระทบทางธุรกิจของโซลูชันแมชชีนเลิร์นนิง

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn MLOps Concepts

หลักสูตร

โครงสร้างคอร์ส

การออกแบบและการสำรวจข้อมูล

ในบทแรกนี้ จะได้เรียนรู้ขั้นตอนพื้นฐานของโปรเจกต์ Machine Learning ได้แก่ การออกแบบ use case แบบ end-to-end การวิเคราะห์ข้อมูลเชิงสำรวจ และการเตรียมข้อมูล เมื่อจบบทนี้ จะเข้าใจขั้นตอนเริ่มต้นของโปรเจกต์ Machine Learning อย่างแน่นแฟ้น ตั้งแต่การกำหนด use case ไปจนถึงการเตรียมข้อมูลสำหรับการประมวลผลและการฝึกโมเดล

เริ่มบทเรียน

การฝึกโมเดลและการประเมินผล

บทนี้จะเจาะลึกกระบวนการสำคัญของการฝึกโมเดลและการประเมินผล ประกอบด้วย 4 บทเรียนที่ครอบคลุมทั้ง feature engineering การฝึกโมเดล การบันทึก experiment และการประเมินผลโมเดล

เริ่มบทเรียน

การ Deploy โมเดล

บทนี้จะเจาะลึกองค์ประกอบสำคัญของการ deploy โมเดล ซึ่งเป็นขั้นตอนที่สำคัญในวงจรชีวิตของ Machine Learning เริ่มจากการทดสอบ จากนั้นก้าวสู่องค์ประกอบทางสถาปัตยกรรม โดยเน้นที่ feature store และ model registry ต่อมาจะศึกษาการ packaging และ containerization และปิดท้ายด้วยภาพรวมของ Continuous Integration และ Continuous Deployment (CI/CD)