Podstawy nauki o danych dla uczenia maszynowego
Środowisko Microsoft Learn oferuje kilka interaktywnych sposobów wprowadzenia do klasycznego uczenia maszynowego. Te ścieżki szkoleniowe zapewnią produktywność na własną rękę, a także doskonale nadają się do przechodzenia do tematów uczenia głębokiego.
Od najbardziej podstawowych klasycznych modeli uczenia maszynowego do eksploracyjnej analizy danych i dostosowywania architektur będziesz kierować się łatwym do nękania zawartości koncepcyjnej i interaktywnych notesów Jupyter, a wszystko to bez opuszczania przeglądarki.
Wybierz własną ścieżkę w zależności od wykształcenia i zainteresowań.
✔ Opcja 1. Kompletny kurs: Podstawy nauki o danych na potrzeby uczenia maszynowego
Jest to zalecana opcja dla większości osób. Zawiera on wszystkie te same moduły co pozostałe dwie ścieżki szkoleniowe z niestandardowym przepływem, który maksymalizuje wzmocnienie pojęć. Jeśli chcesz dowiedzieć się więcej na temat zarówno podstawowych pojęć, jak i sposobu tworzenia modeli przy użyciu najpopularniejszych narzędzi uczenia maszynowego, jest to ścieżka dla Ciebie. Jest to również najlepsza ścieżka, jeśli planujesz przejść poza klasyczne uczenie maszynowe i uzyskać edukację w zakresie uczenia głębokiego i sieci neuronowych, które wprowadzamy tylko tutaj.
✔ Obecnie jesteś na tej ścieżce, przewiń w dół, aby rozpocząć.
Opcja 2. Ścieżka nauki o danych na potrzeby uczenia maszynowego
Jeśli chcesz zrozumieć, jak działa uczenie maszynowe i nie masz dużo matematycznego tła, ta ścieżka jest dla Ciebie. Nie przyjmuje żadnych założeń dotyczących poprzedniej edukacji (poza lekką znajomością pojęć związanych z kodowaniem) i uczy się z kodem, metaforą i wizualizacją, która daje chwilę ha. Jest to praktyczne, ale koncentruje się bardziej na zrozumieniu podstaw i mniej na możliwości dostępnych narzędzi i bibliotek.
Opcja 3. Ścieżka szkoleniowa Tworzenie modeli uczenia maszynowego
Jeśli masz już pewne pomysły dotyczące uczenia maszynowego lub masz silne tło matematyczne, możesz najlepiej cieszyć się skokiem bezpośrednio do ścieżki szkoleniowej Tworzenie modeli uczenia maszynowego. Te moduły uczą niektóre pojęcia związane z uczeniem maszynowym, ale szybko przechodzą do możliwości korzystania z narzędzi, takich jak scikit-learn, TensorFlow i PyTorch. Ta ścieżka szkoleniowa jest również najlepszą dla Ciebie, jeśli szukasz wystarczającej znajomości, aby zrozumieć przykłady uczenia maszynowego dla produktów, takich jak Azure ML lub Azure Databricks.
Wymagania wstępne
Brak
Kod osiągnięć
Czy chcesz zażądać kodu osiągnięcia?
Moduły w ramach tej ścieżki szkoleniowej
Ogólne omówienie uczenia maszynowego dla osób z małą wiedzą na temat informatyki i statystyki oraz dla osób, które nie mają na ten temat żadnej wiedzy. Poznasz pewne podstawowe pojęcia, zapoznasz się z danymi i interaktywnie przejdziesz przez cykl życia uczenia maszynowego, korzystając z języka Python do trenowania, zapisywania i używania modelu uczenia maszynowego, tak jak w świecie rzeczywistym.
Uczenie nadzorowane to forma uczenia maszynowego, w której algorytm uczy się na podstawie przykładów danych. Stopniowo malujemy obraz tego, jak uczenie nadzorowane automatycznie generuje model, który może tworzyć przewidywania dotyczące świata rzeczywistego. Dotknęliśmy również, w jaki sposób te modele są testowane, i trudności, które mogą wystąpić podczas trenowania ich.
Zaawansowane możliwości modeli uczenia maszynowego pochodzą z danych używanych do ich szkolenia. Dzięki zawartości i ćwiczeniam dowiesz się, jak zrozumieć dane, jak je zakodować, aby komputer mógł je prawidłowo interpretować, jak czyścić wszelkie błędy i porady, które pomogą Ci tworzyć modele o wysokiej wydajności.
Eksploracja i analiza danych jest podstawą nauki o danych. Analitycy danych potrzebują umiejętności w językach programowania, takich jak Python, aby eksplorować, wizualizować i manipulować danymi.
Regresja jest prawdopodobnie najczęściej używaną techniką uczenia maszynowego, która często stanowi podstawę odkryć naukowych, planowania biznesowego i analizy giełdowej. Ten materiał do nauki zawiera szczegółowe informacje na temat niektórych typowych analiz regresji, zarówno prostych, jak i bardziej złożonych, oraz na temat sposobów oceniania wydajności modelu.
Gdy myślimy o uczeniu maszynowym, często skupiamy się na procesie szkolenia. Niewielka ilość przygotowań przed tym procesem może nie tylko przyspieszyć i poprawić uczenie się, ale także dać nam pewność, jak dobrze nasze modele będą działać w obliczu danych, których nigdy wcześniej nie widzieliśmy.
Regresja jest często używanym rodzajem uczenia maszynowego do przewidywania wartości liczbowych.
Klasyfikacja oznacza przypisywanie elementów do kategorii lub można również myśleć o zautomatyzowanym podejmowaniu decyzji. Tutaj wprowadzamy modele klasyfikacji poprzez regresję logistyczną, prowadząc Cię krok po kroku do bardziej złożonych i fascynujących metod klasyfikacji.
Bardziej złożone modele często można dostosować ręcznie, aby poprawić ich skuteczność. Poprzez ćwiczenia i zawartość wyjaśniającą pokażemy, jak zmiana architektury bardziej złożonych modeli może przynieść bardziej efektywne wyniki.
Jak sprawdzić, czy model jest dobry, czy zły w klasyfikowaniu naszych danych? Sposób, w jaki komputery czasami oceniają wydajność modelu, może być dla nas trudny do zrozumienia lub może zanadto uprościć sposób zachowania modelu w świecie rzeczywistym. Aby tworzyć modele, które działają w zadowalający sposób, musimy znaleźć intuicyjne sposoby ich oceny i zrozumieć, jak te metryki mogą spowodować odchylenie naszego widoku.
Krzywe cech operatora odbiornika to zaawansowany sposób oceniania i dostrajania przeszkolonych modeli klasyfikacji. Przedstawimy i wyjaśnimy użyteczność tych krzywych poprzez zawartość szkoleniową i ćwiczenia praktyczne.
Klasyfikacja to rodzaj uczenia maszynowego używany do kategoryzowania elementów w klasach.
Klastrowanie to typ uczenia maszynowego używany do grupowania podobnych elementów w klastry.
Uczenie głębokie to zaawansowana forma uczenia maszynowego, która emuluje sposób, w jaki ludzki mózg uczy się za pośrednictwem sieci połączonych neuronów.