Dasar ilmu data untuk pembelajaran mesin
Microsoft Learn menyediakan beberapa cara interaktif untuk pengenalan pembelajaran mesin klasik. Jalur pembelajaran ini akan membuat Anda produktif, dan juga merupakan dasar yang sangat baik untuk beralih ke topik pembelajaran mesin yang mendalam.
Dari model pembelajaran mesin klasik paling dasar, hingga analisis data eksploratif dan menyesuaikan arsitektur, Anda akan dipandu oleh konten konseptual yang mudah dipahami dan notebook Jupyter interaktif, semuanya tanpa meninggalkan browser.
Pilih jalur berdasarkan latar belakang pendidikan dan minat Anda.
✔ Opsi 1: Kursus lengkap: Dasar ilmu data untuk pembelajaran mesin
Opsi ini direkomendasikan untuk kebanyakan orang. Kursus ini memiliki semua modul yang sama dengan dua jalur pembelajaran lainnya beserta aliran kustom yang memaksimalkan penguatan konsep. Jika Anda ingin mempelajari konsep yang mendasari serta cara membuat model dengan alat pembelajaran mesin yang paling umum, inilah jalurnya. Jalur ini juga merupakan jalur terbaik jika Anda berencana untuk melanjutkan setelah pembelajaran mesin klasik, dan mempelajari pembelajaran mendalam dan jaringan saraf, yang hanya kami perkenalkan di sini.
✔ Anda saat ini berada di jalur ini, gulir ke bawah untuk memulai.
Opsi 2: Jalur pembelajaran Memahami ilmu data untuk pembelajaran mesin
Jika Anda ingin memahami cara kerja pembelajaran mesin dan tidak memiliki banyak latar belakang matematika, maka jalur ini adalah jalurnya. Jalur ini tidak menyinggung pendidikan sebelumnya (selain pengetahuan ringan atas konsep pengodean) serta mengajar dengan kode, metafora, dan visual yang membuat Anda mudah paham. Jalur ini bersifat langsung, tetapi lebih berfokus pada memahami dasar, tidak terlalu berfokus pada kemampuan alat dan pustaka yang tersedia.
Opsi 3: Jalur pembelajaran Membuat model pembelajaran mesin
Jika Anda sudah tahu tentang pembelajaran mesin atau memiliki latar belakang matematika yang kuat, Anda mungkin ingin melompat langsung ke jalur pembelajaran Membuat Model Pembelajaran Mesin. Modul-modul ini mengajarkan beberapa konsep pembelajaran mesin, tetapi dengan cepat sehingga dapat menggunakan alat seperti scikit-learn, TensorFlow, dan PyTorch. Jalur pembelajaran ini juga merupakan yang terbaik jika Anda mencari pengetahuan yang cukup guna memahami contoh pembelajaran mesin untuk produk seperti Microsoft Azure ML atau Azure Databricks.
Prasyarat
Tidak
Kode Prestasi
Apakah Anda ingin meminta kode prestasi?
Modul dalam jalur pembelajaran ini
Ikhtisar tingkat tinggi tentang pembelajaran mesin untuk orang-orang dengan sedikit atau tidak ada pengetahuan tentang ilmu komputer dan statistik. Anda diperkenalkan dengan beberapa konsep penting, menjelajahi data, dan secara interaktif melalui siklus hidup pembelajaran mesin - menggunakan Python untuk melatih, menyimpan, dan menggunakan model pembelajaran mesin, seperti di dunia nyata.
Pembelajaran yang diawasi adalah bentuk pembelajaran mesin di mana algoritma belajar dari contoh data. Kami sedang melukiskan gambaran tentang bagaimana pembelajaran yang diawasi secara otomatis menghasilkan model yang dapat membuat prediksi tentang dunia nyata. Kami juga menyinggung cara model ini diuji, serta kesulitan yang bisa muncul dalam melatihnya.
Kekuatan model pembelajaran mesin berasal dari data yang digunakan untuk melatih model pembelajaran mesin. Melalui konten dan latihan, kami mengeksplorasi cara memahami data Anda, cara mengodekannya sehingga komputer dapat menafsirkannya dengan benar, cara membersihkan kesalahan apa pun, dan tips yang akan membantu Anda membuat model performa tinggi.
Penjelajahan dan analisis data adalah inti dari ilmu data. Ilmuwan data memerlukan keterampilan dalam bahasa pemrograman seperti Python untuk menjelajahi, memvisualisasikan, dan memanipulasi data.
Regresi bisa dibilang merupakan teknik pembelajaran mesin yang paling banyak digunakan, yang umumnya mendasari penemuan ilmiah, perencanaan bisnis, dan analitik pasar saham. Materi pembelajaran ini mendalami beberapa analisis regresi umum, baik sederhana maupun lebih kompleks, dan memberikan beberapa wawasan tentang cara menilai kinerja model.
Ketika kita berpikir tentang pembelajaran mesin, kita sering kali fokus pada proses pelatihan. Sejumlah kecil persiapan sebelum proses ini tidak hanya dapat mempercepat dan meningkatkan pembelajaran, tetapi juga memberi kita keyakinan tentang seberapa baik model kita akan bekerja ketika dihadapkan dengan data yang belum pernah kita lihat sebelumnya.
Regresi adalah jenis pembelajaran mesin yang umum digunakan untuk memprediksi nilai numerik.
Klasifikasi berarti menetapkan item ke dalam kategori, atau dapat juga dianggap sebagai pengambilan keputusan otomatis. Di sini kami memperkenalkan model klasifikasi melalui regresi logistik, memberi Anda batu loncatan menuju metode klasifikasi yang lebih kompleks dan menarik.
Model yang lebih kompleks sering dapat disesuaikan secara manual untuk meningkatkan seberapa efektif model tersebut. Melalui latihan dan konten penjelas, kita akan mempelajari bagaimana mengubah arsitektur model yang lebih kompleks dapat membawa hasil yang lebih efektif.
Bagaimana cara mengetahui apakah suatu model baik atau buruk dalam mengklasifikasikan data kita? Cara komputer menilai performa model terkadang sulit dipahami atau bisa terlalu menyederhanakan perilaku yang dihasilkan oleh model di dunia nyata. Untuk membuat model yang berfungsi dengan baik, kita perlu menemukan cara intuitif untuk menilainya, dan memahami bagaimana metrik ini dapat membias pandangan kita.
Kurva karakteristik operator penerima adalah cara yang canggih untuk menilai dan menyempurnakan model klasifikasi terlatih. Kami memperkenalkan dan menjelaskan utilitas kurva ini melalui konten pembelajaran dan latihan praktik.
Klasifikasi adalah sejenis pembelajaran mesin yang digunakan untuk mengategorikan item ke dalam kelas.
Pengklusteran adalah jenis pembelajaran mesin yang digunakan untuk mengelompokkan item serupa ke dalam kluster.
Pembelajaran dalam adalah bentuk pembelajaran mesin tingkat lanjut yang meniru cara belajar otak manusia melalui jaringan neuron yang terhubung.