After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Вступ до наскрізного машинного навчання
Пориньте у світ машинного навчання та дізнайтеся, як проєктувати, навчати й розгортати наскрізні моделі з цим комплексним курсом. За допомогою захопливих прикладів із реального світу та практичних вправ ви навчитеся розв’язувати складні задачі з даними й створювати потужні ML-моделі. Наприкінці цього курсу ви будете володіти навичками, необхідними для створення, моніторингу та підтримки високопродуктивних моделей, які надають практичні аналітичні висновки. Підвищте свій рівень у машинному навчанні завдяки цьому комплексному практичному курсу та станьте ML-профі, який уміє працювати з ML від початку до кінця!
Оцініть і вдоскональте свою модель
Почніть із вивчення основ дослідницького аналізу даних (EDA) та підготовки даних — ви очистите й попередньо обробите свої дані, щоб вони були готові до навчання моделі. Далі опануйте мистецтво інженерії ознак і відбору ознак, щоб оптимізувати свої моделі для реальних завдань; дізнайтеся, як використовувати бібліотеку Boruta для відбору ознак, вести журнал експериментів за допомогою MLFlow та точно налаштовувати свої моделі, використовуючи k-fold cross-validation. Розкрийте секрети ефективних метрик помилок і діагностуйте перенавчання, налаштовуючи свої моделі на успіх.
Розгорніть і відстежуйте свою модель
Ви також ознайомитеся з важливістю feature stores і model registries в end-to-end ML frameworks. Дізнайтеся, як розгортати та відстежувати продуктивність вашої моделі з часом за допомогою Docker і AWS. Зрозумійте концепцію дрейфу даних і дізнайтеся, як виявляти його за допомогою статистичних тестів. Впроваджуйте цикли зворотного зв’язку, повторне навчання та стратегії розмітки, щоб підтримувати продуктивність ваших моделей в умовах постійно змінних даних.
Цей курс надасть вам практичні навички, безпосередньо застосовні для кар’єри data scientist або machine learning engineer, і дасть змогу проєктувати, розгортати та підтримувати моделі; це ключові навички для посилення бізнес-ефекту рішень машинного навчання.
Попередні вимоги
Навчальний план
Зміст курсу
1
Проєктування та дослідження
У цьому першому розділі ви виконаєте базові етапи будь-якого проєкту з машинного навчання: проєктування end-to-end кейсу використання, розвідувальний аналіз даних і підготовку даних. Наприкінці розділу ви матимете чітке розуміння ранніх етапів ML-проєкту — від формулювання кейсу до підготовки даних для подальшої обробки та навчання моделі.
- Проєктування наскрізного кейсу з машинного навчання50 XP
- Визначення етапів життєвого циклу машинного навчання50 XP
- Життєвий цикл машинного навчання100 XP
- Розвідувальний аналіз даних50 XP
- Візуалізація ваших даних100 XP
- Виявлення дисбалансу класів100 XP
- Цілі EDA100 XP
- Підготовка даних50 XP
- Функції для підготовки даних100 XP
- Розширена імпутація100 XP
- Очищення вашого набору даних100 XP
2
Навчання та оцінювання моделі
У цьому розділі ми детально розглянемо ключові процеси навчання та оцінювання моделей. Він містить чотири ґрунтовні уроки з акцентом на ознакоінженерію, навчання моделей, логування експериментів і оцінювання моделей.
3
Розгортання моделі
Цей розділ присвячений ключовим елементам розгортання моделі — критично важливому етапу в життєвому циклі машинного навчання. Розпочнемо з тестування, далі перейдемо до архітектурних компонентів із фокусом на сховищах ознак і реєстрах моделей. Після цього зануримося у пакування та контейнеризацію. Завершимо оглядом безперервної інтеграції та безперервного розгортання (CI/CD).
4
Моніторинг моделі
У фінальному розділі ви розберетеся зі складнощами моніторингу моделей — критично важливої фази в життєвому циклі машинного навчання.
End-to-End Machine Learning
Курс
завершено
