After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
借助现代工具，将机器学习模型部署到生产环境看似容易，但往往以失望收场：模型在生产中的表现不如开发阶段。通过本课程，您将掌握四项让您在数据科学领域脱颖而出的核心能力，打造经得起时间考验的流水线：如何在开发阶段穷尽式地调优模型的各个方面；如何最大化利用可用的领域专家知识；如何在生产中监控模型表现并应对性能退化；以及如何处理标签稀缺或质量欠佳的数据。课程将深入 sklearn 的前沿功能，并使用来自个性化医疗、网络安全等热门领域的真实数据集，带您从一线视角理解机器学习。
先修要求
课程大纲
课程大纲
1
标准工作流
本章将带您回顾有监督学习工作流的基础：模型拟合、调优与选择，特征工程与选择，以及数据划分技巧。您将理解工作流中各步骤彼此的依赖关系，并识别它们如何共同抑制或助长过拟合——数据科学家最大的敌人。学习完本章，您将熟练掌握有监督学习，并为后续章节的进阶内容做好准备。
2
将人纳入环路
在上一章，您完善了对标准有监督学习工作流的理解。本章将批判性地审视如何将专家知识融入有监督学习。这包括：识别恰当的分析单元（可能需要跨多源数据进行特征工程）、处理在标注样本时难免出现的不完美过程，以及制定能真实反映业务错误代价的损失函数，从而刻画模型错误的实际业务价值。
3
模型生命周期管理
上一章中，您以多种方式将专家的反馈融入工作流，并用与业务价值一致的方式进行评估。现在，是时候练习将模型产品化所需的技能，并通过迭代改进，确保其后续持续良好表现。您还将学习诊断数据集漂移，并减轻环境变化对模型准确率的影响。
4
无监督工作流
在之前的章节中，您已夯实了有监督学习的基础，并了解了如何将模型部署到生产环境，但始终假设可获得带标签的数据集。本章将挑战在没有或仅有极少标签的情况下进行建模。您将学习异常检测这一类无监督建模方法，以及基于距离的学习：当我们对样本间"相似性"的信念能够替代标签时，也能帮助您达到可与有监督工作流媲美的准确度。完成本章后，您将自信地知道在面对常见的真实世界难题时，应如何调整工作流与选用工具，从而在数据科学人群中脱颖而出。
用 Python 设计机器学习工作流
课程完成
