After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Güncel araçlarla Machine Learning modellerini üretime almak kolay görünse de, modelin üretimde geliştirme ortamına göre daha kötü performans göstermesi sık rastlanan bir hayal kırıklığıdır. Bu kurs, seni veri bilimi dünyasında öne çıkaracak ve zamana dayanacak veri hatları kurmanı sağlayacak dört süper güç kazandıracak: geliştirme aşamasında modelinin her yönünü kapsamlı şekilde ayarlamak; mevcut alan bilgisini en iyi şekilde kullanmak; modelini üretimde izlemek ve performans düşüşleriyle başa çıkmak; ve son olarak, zayıf ya da az etiketli verilerle çalışmak. sklearn'in en güncel özelliklerine derinlemesine dalarak ve kişiselleştirilmiş sağlık hizmetleri ile siber güvenlik gibi sıcak alanlardan gerçek veri kümeleriyle çalışarak, bu kurs Machine Learning'e ön saflardan bir bakış sunuyor.
Ön Koşullar
Müfredat
Kurs içeriği
1
Standart İş Akışı
Bu bölümde, denetimli öğrenme iş akışının temellerini; model eğitme, ayarlama ve seçimiyle birlikte öznitelik (feature) mühendisliği ve seçimi ile veri bölme tekniklerini yeniden hatırlayacaksın. Bir iş akışındaki bu adımların birbirine nasıl bağlı olduğunu anlayacak ve tümünün aşırı uyumla (overfitting) nasıl mücadele edebileceğini ya da ona nasıl zemin hazırlayabileceğini fark edeceksin: veri bilimcisinin en büyük düşmanı. Bölümün sonunda, denetimli öğrenmede akıcı hale gelecek ve sonraki bölümlerdeki daha ileri düzey içeriklere dalmaya hazır olacaksın.
- Denetimli öğrenme işlem hatları50 XP
- Özellik mühendisliği100 XP
- İlk pipeline'ını oluştur100 XP
- Model karmaşıklığı ve aşırı uyum50 XP
- Model karmaşıklığı için grid search CV100 XP
- Ağaç ve estimator sayısı50 XP
- Özellik mühendisliği ve aşırı öğrenme50 XP
- Kategorik kodlamalar100 XP
- Özellik dönüşümleri100 XP
- Hepsini bir araya getirmek100 XP
2
Döngüde İnsan
Önceki bölümde, standart denetimli öğrenme iş akışları konusundaki bilgini pekiştirdin. Bu bölümde, uzman bilgisinin denetimli öğrenmeye hangi yollarla dahil edildiğini eleştirel biçimde inceleyeceksin. Bu; birden fazla veri kaynağı arasında özellik mühendisliği gerektirebilecek uygun analiz biriminin belirlenmesiyle, örneklerin bazen kusurlu etiketlenme süreciyle ve Machine Learning modelinin yaptığı hataların gerçek iş değerini yakalayan bir kayıp fonksiyonunun tanımlanmasıyla yapılır.
3
Model Yaşam Döngüsü Yönetimi
Önceki bölümde, iş akışına uzmanlardan gelen geri bildirimi dahil etmenin farklı yollarını kullandın ve bunu iş değeriyle uyumlu biçimde değerlendirdin. Şimdi, modelini ürünleştirmek ve onu yinelemeli olarak geliştirerek sonrasında da iyi performans göstermesini sağlamak için gereken becerileri uygulama zamanı. Ayrıca, veri kümesi kaymasını (dataset shift) teşhis etmeyi ve değişen bir ortamın model doğruluğun üzerinde yaratabileceği etkiyi azaltmayı öğreneceksin.
4
Denetimsiz İş Akışları
Önceki bölümlerde, üretime model alma bilgisi de dahil olmak üzere denetimli öğrenmede sağlam bir temel attın; ancak analiz için her zaman etiketli bir veri kümesinin mevcut olduğunu varsaydın. Bu bölümde, hiç ya da çok az etiketle veriyi modelleme meydan okumasını üstleneceksin. Bu yolculuk seni, bir tür denetimsiz modelleme olan anomali tespitine ve iki örnek arasındaki benzerliğin ne olduğuna dair inançların etiketlerin yerine kullanılabildiği, denetimli bir iş akışına yakın doğruluk seviyelerine ulaşmana yardım eden mesafe tabanlı öğrenmeye götürecek. Bu bölümü tamamladığında, gerçek dünyadaki yaygın zorlukları aşmak için iş akışını nasıl değiştireceğini kendinden emin bir şekilde bilerek veri bilimcileri arasında net biçimde öne çıkacaksın.
Python'da Machine Learning İş Akışları Tasarlama
Kurs
Tamamlandı
