Chuyển đến nội dung chính

Khóa học

Thiết kế quy trình Machine Learning bằng Python

Nâng cao4 giờ

Python4 giờ16 video51 bài tập4,200 XP12,635Giấy chứng nhận thành tích

Tạo tài khoản miễn phí

Tiếp tục với Google
hoặc
Bằng việc tiếp tục, ban chấp nhận Điều khoản sử dụng, của chúng tôi Chính sách bảo mật và rằng dữ liệu của bạn được lưu trữ tại Hoa Kỳ.

Được người học tại hàng nghìn công ty yêu thích

Đào tạo đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Triển khai mô hình machine learning vào môi trường sản xuất nghe có vẻ dễ với các công cụ hiện đại, nhưng thường gây thất vọng khi mô hình hoạt động kém hơn so với lúc phát triển. Khóa học này sẽ mang đến cho bạn bốn “siêu năng lực” giúp bạn nổi bật giữa đám đông nhà khoa học dữ liệu và xây dựng các pipeline bền vững theo thời gian: cách tinh chỉnh toàn diện mọi khía cạnh của mô hình trong giai đoạn phát triển; cách khai thác tối đa chuyên môn miền sẵn có; cách giám sát hiệu suất mô hình và xử lý khi hiệu suất suy giảm; và cuối cùng là cách làm việc với dữ liệu được gán nhãn kém chất lượng hoặc rất ít nhãn. Đào sâu vào những tính năng tiên tiến của sklearn và làm việc với các bộ dữ liệu thực tế trong những lĩnh vực nóng như chăm sóc sức khỏe cá nhân hóa và an ninh mạng, khóa học này mang đến góc nhìn về machine learning từ tuyến đầu.

Yêu cầu tiên quyết

Chương trình học

Đề cương khóa học

1

Quy trình chuẩn

Trong chương này, bạn sẽ được nhắc lại những kiến thức căn bản về quy trình học có giám sát, bao gồm huấn luyện, tinh chỉnh và chọn mô hình, kỹ thuật tạo và chọn đặc trưng, cùng các phương pháp chia tách dữ liệu. Bạn sẽ hiểu cách các bước trong quy trình phụ thuộc lẫn nhau, và nhận ra cách chúng có thể cùng góp phần hạn chế hoặc vô tình làm trầm trọng hiện tượng overfitting: kẻ thù lớn nhất của nhà khoa học dữ liệu. Kết thúc chương, bạn sẽ tự tin với học có giám sát và sẵn sàng tiến vào các nội dung nâng cao ở những chương tiếp theo.
Bắt đầu chương
2

Con người trong vòng lặp

Ở chương trước, bạn đã củng cố kiến thức về quy trình học có giám sát tiêu chuẩn. Trong chương này, bạn sẽ phân tích một cách phản biện các cách tích hợp tri thức chuyên gia vào học có giám sát. Việc này được thực hiện thông qua xác định đơn vị phân tích phù hợp—có thể đòi hỏi kỹ thuật tạo đặc trưng từ nhiều nguồn dữ liệu, thông qua quy trình gán nhãn đôi khi chưa hoàn hảo, và thông qua việc xác định hàm mất mát phản ánh đúng giá trị kinh doanh của các lỗi mà mô hình machine learning tạo ra.
Bắt đầu chương
3

Quản lý vòng đời mô hình

Ở chương trước, bạn đã áp dụng nhiều cách tích hợp phản hồi từ chuyên gia vào quy trình và đánh giá theo hướng phù hợp với giá trị kinh doanh. Giờ là lúc bạn luyện tập các kỹ năng cần thiết để đưa mô hình vào sản phẩm và đảm bảo nó tiếp tục hoạt động tốt về sau bằng cách cải tiến lặp. Bạn cũng sẽ học cách chẩn đoán dataset shift và giảm thiểu tác động của môi trường thay đổi lên độ chính xác của mô hình.
Bắt đầu chương
4

Quy trình không giám sát

Ở các chương trước, bạn đã xây nền tảng vững chắc về học có giám sát, bao gồm cả kiến thức triển khai mô hình vào sản xuất, nhưng luôn giả định rằng bạn có sẵn một bộ dữ liệu đã được gán nhãn để phân tích. Trong chương này, bạn sẽ thử thách bản thân với việc mô hình hóa dữ liệu không có hoặc có rất ít nhãn. Điều này dẫn bạn đến hành trình với phát hiện bất thường—một dạng mô hình hóa không giám sát—cũng như học dựa trên khoảng cách, nơi các quan niệm về sự tương đồng giữa hai ví dụ có thể thay thế nhãn để giúp bạn đạt độ chính xác tiệm cận một quy trình có giám sát. Hoàn thành chương này, bạn sẽ thực sự nổi bật khi tự tin biết chọn công cụ nào để điều chỉnh quy trình, vượt qua những thách thức thường gặp ngoài đời thực.
Bắt đầu chương

Thiết kế quy trình Machine Learning bằng Python

Hoàn
thành khóa học

Nhận Chứng nhận Hoàn thành

Đăng ký ngay

Phát triển kỹ năng dữ liệu với DataCamp for Mobile

Tiến bộ mọi lúc mọi nơi với các khóa học di động và thử thách lập trình 5 phút hàng ngày.