Principy datových věd pro strojové učení

Začátečník
Odborník na AI
Odborník na datové vědy
Vývojář
Student
Azure

Microsoft Learn nabízí několik interaktivních způsobů, jak získat úvod do klasického strojového učení. Tyto studijní programy vám zajistí produktivitu sami a jsou také vynikajícím základem pro přechod na témata hlubokého učení.

Od nejzákladnějších klasických modelů strojového učení až po průzkumnou analýzu dat a přizpůsobení architektur budete mít přehlednější koncepční obsah a interaktivní poznámkové bloky Jupyter, a to vše bez opuštění prohlížeče.

Zvolte si vlastní cestu v závislosti na vašem vzdělání a zájmech.

Možnost 1: Kompletní kurz: Základy datových věd pro strojové učení

Tato cesta se doporučuje pro většinu lidí. Má všechny stejné moduly jako ostatní dva studijní programy s vlastním tokem, který maximalizuje posílení konceptů. Pokud se chcete dozvědět o základních konceptech a o tom, jak se dostat k vytváření modelů s nejběžnějšími nástroji strojového učení, je tento postup určený pro vás. Je to také nejlepší cesta, pokud plánujete přejít nad rámec klasického strojového učení a získat vzdělání v hlubokém učení a neurálních sítích, které zde představujeme.

✔ Možnost 2: Principy datových věd pro studijní program strojového učení

Pokud chcete pochopit, jak strojové učení funguje a nemáte moc matematického pozadí, je to pro vás tato cesta. Nevyučuje žádné předpoklady o předchozím vzdělávání (kromě lehké znalosti konceptů kódování) a učí se s kódem, metaforou a vizuálem, které vám dávají ah ha moment. Je to praktické, ale zaměřuje se více na pochopení základů a méně na sílu dostupných nástrojů a knihoven.

✔ Právě jste na této cestě, posuňte se dolů a začněte.

Možnost 3: Studijní program Pro vytvoření modelů strojového učení

Pokud už máte představu, o čem se strojové učení týká nebo máte silné matematické pozadí, můžete se nejlépe pustit přímo do studijního programu Vytvořit modely strojového učení . Tyto moduly učí některé koncepty strojového učení, ale rychle se dostanou k výkonu používání nástrojů, jako jsou scikit-learn, TensorFlow a PyTorch. Tento studijní program je také pro vás nejlepší, pokud hledáte jenom dostatek znalosti, abyste porozuměli příkladům strojového učení pro produkty, jako je Azure ML nebo Azure Databricks.

Požadavky

Žádné

Moduly v tomto studijním programu

Základní přehled strojového učení pro lidi s malými nebo žádnými znalostmi počítačových věd a statistiky. Seznámíte se s některými základními koncepty, prozkoumáte data a interaktivně projdete životním cyklem strojového učení – pomocí Pythonu budete trénovat, ukládat a používat model strojového učení, jako byste to dělali v reálném světě.

Učení pod dohledem je forma strojového učení, kde se algoritmus učí z příkladů dat. Postupně vykreslujeme obrázek toho, jak učení pod dohledem automaticky generuje model, který dokáže vytvářet předpovědi o skutečném světě. Podíváme se také na to, jak jsou tyto modely testovány, a potíže, které mohou nastat při jejich trénování.

Síla modelů strojového učení vychází z dat, která se používají k jejich trénování. Prostřednictvím obsahu a cvičení prozkoumáme, jak porozumět vašim datům, jak je kódovat tak, aby je počítač mohl správně interpretovat, jak je vyčistit od chyb a které tipy vám pomůžou vytvářet modely, které dobře fungují.

Regrese je pravděpodobně nejpoužívanější technikou strojového učení, která je obvykle základem vědeckých objevů, obchodního plánování a analýz akciového trhu. Tento výukový materiál se zabývá některými běžnými regresními analýzami, jak jednoduchými, tak složitějšími, a poskytuje přehled o tom, jak hodnotit výkon modelu.

Když o strojovém učení přemýšlíme, často se soustředíme na proces trénování. Malá příprava před tímto procesem může nejen zrychlit a zlepšit učení, ale také nám poskytnout jistotu, jak dobře budou naše modely fungovat, když budou čelit datům, která jsme nikdy předtím neviděli.

Klasifikace znamená přiřazování položek do kategorií nebo se také dá považovat za automatizované rozhodování. Zde představíme klasifikační modely prostřednictvím logistické regrese a poskytneme vám odrazový můstek ke složitějším a zajímavějším metodám klasifikace.

Složitější modely se často dají ručně přizpůsobit, aby se zlepšily jejich efektivita. Prostřednictvím cvičení a vysvětlujícího obsahu prozkoumáme, jak může změna architektury složitějších modelů přinést efektivnější výsledky.

Jak poznáme, jestli model naše data klasifikuje dobře nebo špatně? Způsob, jakým počítače hodnotí výkon modelu, pro nás někdy může být obtížné pochopit nebo může příliš zjednodušovat chování modelu v reálném světě. Abychom mohli vytvářet modely, které fungují uspokojivě, musíme najít intuitivní způsoby, jak je posoudit, a chápat, jak tyto metriky mohou ovlivnit náš pohled.

Křivky ROC jsou účinným způsobem, jak vyhodnotit a vyladit natrénované klasifikační modely. Seznámíme vás s užitečností těchto křivek a vysvětlíme si je prostřednictvím výukového obsahu a praktických cvičení.