After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Завдяки сучасним інструментам здається, що розгортати моделі машинного навчання в продакшені легко, але часто це закінчується розчаруванням: у продакшені модель працює гірше, ніж у розробці. Цей курс дасть вам чотири суперздібності, які допоможуть вирізнитися серед фахівців з аналізу даних і будувати конвеєри, що витримують випробування часом: як вичерпно налаштовувати кожен аспект моделі під час розробки; як максимально використати наявну галузеву експертизу; як відстежувати роботу моделі та реагувати на її погіршення; і, нарешті, як працювати з погано або мінімально розміченими даними. Занурюючись у передові можливості sklearn і працюючи з реальними наборами даних із гарячих сфер, як-от персоналізована медицина та кібербезпека, цей курс показує машинне навчання з позиції передової практики.
Попередні вимоги
Навчальний план
Зміст курсу
1
Стандартний робочий процес
У цьому розділі ви згадаєте основи робочого процесу з учителем: підгонку, налаштування й вибір моделі, створення та відбір ознак, а також методи поділу даних. Ви зрозумієте, як ці кроки залежать один від одного та як кожен із них може як сприяти перенавчанню, так і запобігати йому — найбільшому ворогу фахівця з даних. Наприкінці розділу ви впевнено володітимете навчанням з учителем і будете готові перейти до складніших тем у наступних розділах.
- Конвеєри supervised learning50 XP
- Створення ознак100 XP
- Ваш перший конвеєр (pipeline)100 XP
- Складність моделі та перенавчання50 XP
- Пошук по сітці з перехресною перевіркою для складності моделі100 XP
- Кількість дерев і оцінювачів50 XP
- Інженерія ознак і перенавчання50 XP
- Кодування категоріальних ознак100 XP
- Перетворення ознак100 XP
- З'єднаймо все докупи100 XP
2
Людина в контурі
У попередньому розділі ви вдосконалили знання стандартних робочих процесів навчання з учителем. У цьому розділі ви критично розглянете способи, якими експертні знання інтегруються в навчання з учителем. Це робиться через визначення належної одиниці аналізу, що може вимагати створення ознак із кількох джерел даних; через інколи недосконалий процес розмічання прикладів; а також через задання функції втрат, яка відображає справжню бізнес-цінність помилок вашої моделі машинного навчання.
3
Керування життєвим циклом моделі
У попередньому розділі ви застосовували різні способи включення зворотного зв'язку від експертів у свій робочий процес і оцінювали результати так, щоб вони узгоджувалися з бізнес-цінністю. Тепер час попрактикувати навички, потрібні для переведення моделі в продакшен і подальшого підтримання її високої якості через ітеративне вдосконалення. Ви також навчитеся діагностувати зміщення набору даних і пом'якшувати вплив змінного середовища на точність моделі.
4
Наглядові робочі процеси
У попередніх розділах ви заклали міцну основу в навчанні з учителем і дізналися, як розгортати моделі в продакшені, але щоразу припускали наявність розміченого набору даних для аналізу. У цьому розділі ви приймете виклик моделювання даних без міток або з дуже малою їх кількістю. Ви зануритеся в виявлення аномалій — різновид ненаглядного моделювання, а також у навчання на відстанях, де уявлення про схожість між двома прикладами може замінювати мітки й допомагати досягати точності, порівнянної з робочим процесом навчання з учителем. Завершивши цей розділ, ви помітно вирізнятиметеся серед фахівців з даних завдяки впевненню у виборі інструментів для адаптації робочого процесу й подолання типових викликів реального світу.
Проєктування робочих процесів машинного навчання в Python
Курс
завершено
