A gépi tanulás adatelemzésének ismertetése
A Microsoft Learn számos interaktív módszert kínál a klasszikus gépi tanulás bemutatására. Ezek a képzési tervek önmagukban is hatékonyak lesznek, és kiváló alapot jelentenek a mélytanulási témakörökre való áttéréshez.
A legalapvetőbb klasszikus gépi tanulási modellektől a feltáró adatelemzésig és az architektúrák testreszabásához könnyen emészthető fogalmi tartalmak és interaktív Jupyter-jegyzetfüzetek vezetik, mindezt anélkül, hogy elhagyná a böngészőt.
Az oktatási háttértől és érdeklődési köröktől függően válassza ki a saját útját.
1. lehetőség: A teljes kurzus: Az adatelemzés alapjai a gépi tanuláshoz
Ez az elérési út a legtöbb ember számára ajánlott. Ugyanazokkal a modulokkal rendelkezik, mint a másik két képzési terv, egy egyéni folyamattal, amely maximalizálja a fogalmak megerősítését. Ha szeretné megismerni a mögöttes fogalmakat és a modellek létrehozásának módját a leggyakoribb gépi tanulási eszközökkel, akkor ez az út az Ön számára készült. Ez is a legjobb út, ha a klasszikus gépi tanuláson túl szeretne haladni, és mélytanulási és neurális hálózatokon tanul, amit csak itt mutatunk be.
✔ 2. lehetőség: Az adatelemzés ismertetése a gépi tanulási képzési tervhez
Ha szeretné megérteni, hogyan működik a gépi tanulás, és nem rendelkezik sok matematikai háttérrel, akkor ez az út az Ön számára. Nem feltételezi a korábbi oktatást (kivéve a kódolási fogalmak világos ismeretét), és olyan kódokat, metaforákat és vizualizációkat tanít, amelyek az ah ha pillanatot adják. Ez gyakorlati, de inkább az alapok megértésére összpontosít, és kevésbé a rendelkezésre álló eszközök és kódtárak erejére.
✔ Jelenleg ezen az útvonalon van, görgessen lefelé a kezdéshez.
3. lehetőség: Gépi tanulási modellek létrehozása képzési terv
Ha már van elképzelése arról, hogy miről szól a gépi tanulás, vagy erős matematikai háttérrel rendelkezik, akkor a legjobb, ha közvetlenül a Gépi tanulási modellek létrehozása képzési tervbe ugrik. Ezek a modulok gépi tanulási fogalmakat tanítanak, de gyorsan mozognak, hogy kihasználhassák az olyan eszközök használatát, mint a scikit-learn, a TensorFlow vagy a PyTorch. Ez a képzési terv akkor is a legjobb, ha elég jártasságot keres az olyan termékek gépi tanulási példáinak megértéséhez, mint az Azure ML vagy az Azure Databricks.
Előfeltételek
Egyik sem
Eredménykód
Szeretne eredménykódot kérni?
A képzési terv moduljai
A gépi tanulás átfogó bemutatása azok számára, akik kevéssé, vagy egyáltalán nem járatosak a számítástudományban és a statisztikában. Megismerhet néhány alapvető fogalmat, megismerheti az adatokat, és interaktívan végighaladhat a gépi tanulási életcikluson, a Python használatával betaníthat, menthet és használhat gépi tanulási modellt, akárcsak a valós világban.
A felügyelt betanítás a gépi tanulásnak az a formája, amikor egy algoritmus példaadatokból tanul. Fokozatosan képet kapunk arról, ahogyan a felügyelt betanítás automatikusan generál egy, a valós világról előrejelzéseket tenni képes modellt. Azt is megvizsgáljuk, hogyan tesztelik ezeket a modelleket, és milyen nehézségek merülhetnek fel a betanításuk során.
A gépi tanulási modellek hatékonyságát a betanításukhoz használt adatok adják. Tartalommal és gyakorlatokkal bemutatjuk, hogyan értelmezheti az adatokat, hogyan kódolhatja őket úgy, hogy a számítógép megfelelően értelmezhesse azokat, hogyan tisztíthatja meg a hibákat, és hogyan hozhat létre nagy teljesítményű modelleket.
Meglehet, hogy a regresszió a leggyakrabban használt gépi tanulási technika, amely gyakran áll a tudományos felfedezések, az üzleti tervezés és a tőzsdei piacelemzések hátterében. Ez a képzési anyag néhány gyakori regressziós elemzést mutat be, egyszerűeket és összetettebbeket egyaránt, és betekintést nyújt a modellek teljesítményének felmérésébe is.
Ha a gépi tanulásra gondolunk, gyakran a betanítási eljárás van az előtérben. A folyamat előtt kis mennyiségű előkészület nem csak felgyorsíthatja és javíthatja a tanulást, hanem némi bizalmat is ad nekünk arról, hogy modelljeink milyen jól fognak működni, amikor olyan adatokkal szembesülnek, amelyeket még soha nem láttunk.
A besorolás azt jelenti, hogy elemeket rendelünk kategóriákhoz, vagy akár automatizált döntéshozatalra is gondolhatunk. Itt logisztikai regresszión keresztül mutatjuk be a besorolási modelleket, az összetettebb és izgalmasabb besorolási módszerek megismerésének kiindulópontjaként.
Az összetettebb modellek hatékonysága gyakran fokozható manuális testre szabással. Gyakorlatokon és magyarázó tartalmon keresztül tudhatjuk meg, hogyan vezethet hatékonyabb eredményekhez az összetettebb modellek architektúrájának megváltoztatása.
Honnan tudhatjuk, hogy egy modell jól vagy rosszul sorolja be az adatainkat? Az, ahogyan a számítógépek értékelik ki a modell teljesítményét, számunkra sokszor nehezen érthető, vagy éppen túl egyszerűen képzeljük el a modell működését a valós világban. Megfelelően működő modellek készítéséhez intuitív módot kell találnunk azok értékelésére, és tisztában kell lennünk azzal, ahogyan ezek a metrikák eltorzíthatják az ítéletünket.
A vevő működési karakterisztika (ROC) görbék a betanított besorolási modellek kiértékelésének és finomhangolásának hatékony eszközei. Ezeknek a görbéknek a hasznosságát mutatjuk be és magyarázzuk el képzési anyagok és gyakorlatok segítségével.