Koneoppimismallien luominen

intermediate
ai-engineer
data-scientist
developer
student
vs-code
azure

Microsoft Learn tarjoaa useita vuorovaikutteisia tapoja tutustua perinteiseen koneoppimiseen. Näiden oppimispolkujen avulla voit itse tuoda tuottavuutta, ja ne ovat myös erinomainen pohja syvällisen oppimisen aiheille siirtymiseen.

Klassisen koneoppimisen perusmalleista tutkivaan data-analyysiin ja arkkitehtuurien mukauttamiseen sinua ohjaa helppo sulattaa käsitteellinen sisältö ja vuorovaikutteiset Jupyter-muistikirjat poistumatta selaimesta.

Valitse oma polkusi koulutustaustasi ja kiinnostuksen kohteitasi riippuen.

vaihtoehto 1: Täydellinen kurssi: Koneoppimisen tietotieteen perusteet

Tätä polkua suositellaan useimmille. Siinä on kaikki samat moduulit kuin kahdessa muussa oppimispolussa, joissa on mukautettu työnkulku, joka maksimoi käsitteiden vahvistamisen. Jos haluat oppia sekä pohjana olevista käsitteistä että siitä, miten voit luoda malleja yleisimpien koneoppimistyökalujen avulla, tämä polku on sinulle. Se on myös paras polku, jos aiot siirtyä perinteisen koneoppimisen ulkopuolelle ja saada koulutuksen syväoppimisesta ja neuroverkoista, jotka esittelemme tässä vain.

vaihtoehto 2: the Understand data science for machine learning learning path

Jos haluat ymmärtää, miten koneoppiminen toimii, eikä sinulla ole suurta matemaattista taustaa, tämä polku on sinulle. Se ei tee oletuksia aiemmasta koulutuksesta (paitsi koodauskäsitteiden kevyt tuntemus) ja opettaa koodia, metaforaa ja visualisointia, jotka antavat sinulle haluamasi hetken. Se on käytännöllinen, mutta keskittyy enemmän peruskäsitykseen ja vähemmän käytettävissä olevien työkalujen ja kirjastojen voimaan.

✔ Vaihtoehto 3: Koneoppimismallien luominen

Jos sinulla on jo käsitys siitä, mistä koneoppiminen on kyse, tai sinulla on vahva matemaattinen tausta, voit parhaiten nauttia hyppäämisestä suoraan oppimispolkuun Koneoppimismallien luominen. Näissä moduuleissa opetetaan koneoppimisen käsitteitä, mutta ne etenevät nopeasti, jotta ne voivat käyttää erilaisia työkaluja, kuten scikit-learnia, TensorFlowta ja PyTorchia. Tämä oppimispolku on sinulle myös paras, jos haluat saada juuri riittävän perehdytystä koneoppimisesimerkkien ymmärtämiseen Azuren automaattianalyysipalveluista tai Azure Databricksista.

✔ Olet tällä hetkellä tällä hetkellä tällä polulla. Aloita vierittämällä alaspäin.

Edellytykset

Tällä oppimispolulla oletetaan tietämystä matemaattisista peruskäsitteistä. Myös eräät Python-käyttökokemukset ovat hyödyllisiä.

Tämän oppimispolun moduulit

Tietojen tarkasteleminen ja analysointi on datatieteen ytimessä. Tietotutkijat tarvitsevat pythonin kaltaisten ohjelmointikielien taitoja tietojen tutkimiseen, visualisointiin ja käsittelyyn.

Regressio on yleisesti käytetty koneoppimistyyppi numeeristen arvojen ennustamiseen.

Luokitus on eräänlainen koneoppiminen, jota käytetään kohteiden luokittelemiseen luokiksi.

Klusterointi on koneoppimisen tyyppi, jota käytetään samanlaisten kohteiden ryhmittelemiseen klustereiksi.

Syväoppiminen on kehittynyt koneoppimisen muoto, joka emuloi tapaa, jolla ihmisaivot oppivat yhdistettyjen neuronien verkostojen kautta.