Jason DeBoever
Microsoft Senior Product Manager
Twitter- Utforska hur maskininlärning skiljer sig från traditionell programvara.
- Skapa och testa en maskininlärningsmodell.
- Läs in en modell och använd den med nya datauppsättningar.
9 avsnitt
Learn Live: Grunderna i datavetenskap för maskininlärning
Gå med Jason DeBoever och Glenn Stephens live på Learn TV och utforska den här niodelade serien "Foundations of data science for machine learning". Vi kommer att gå igenom Learn-moduler och svara på dina frågor live. Vi går igenom allt från klassiska maskininlärningsmodeller till undersökande dataanalys och anpassning av arkitekturer. Du vägleds genom ett lättbegripligt konceptuellt innehåll och interaktiva Jupyter-notebooks och får lära dig underliggande koncept och hur du kommer igång med att skapa modeller med vanliga maskininlärningsverktyg.
Introduktion till maskininlärning
En övergripande översikt över maskininlärning för dig som har små eller inga kunskaper inom datavetenskap och statistik. Du får lära dig några viktiga begrepp, utforska data och gå igenom livscykeln för maskininlärning interaktivt. Och du får träna, spara och använda en maskininlärningsmodell med hjälp av Python, på samma sätt som i verkligheten. I det här avsnittet kommer du att:
Skapa klassiska maskininlärningsmodeller med övervakad inlärning
Övervakad inlärning är en form av maskininlärning där en algoritm lär sig från exempel på data. Vi målar successivt upp en bild av hur man med övervakad inlärning automatiskt kan generera en modell som gör förutsägelser om den verkliga världen. Vi tar också upp hur dessa modeller testas och svårigheter som kan uppstå I det här avsnittet kommer du att:
- Definiera övervakad och oövervakad inlärning.
- Utforska hur kostnadsfunktioner påverkar inlärningsprocessen.
- Upptäck hur modeller optimeras med gradient descent.
- Experimentera med inlärningsfrekvenser och se hur de kan påverka träningen.
Introduktion till data för maskininlärning
För att maskininlärningsmodeller ska fungera behöver de tränas med data. Med hjälp av innehåll och övningar utforskar vi hur du förstår dina data, hur du kodar dem så att datorn kan tolka dem korrekt och hur du rensar bort fel. Vi ger också tips om hur du skapar bra modeller. I det här avsnittet kommer du att:
- Visualisera stora datamängder med Exploratory Data Analysis (EDA).
- Rensa en datamängd med fel.
- Förutsäga okända värden med hjälp av numeriska och kategoriska data.
Träna och förstå regressionsmodeller inom maskininlärning
Regression är utan tvekan den maskininlärningsteknik som används mest, bland annat inom forskning, affärsplanering och börsanalys. I det här utbildningsmaterialet tar vi en närmare titt på några vanliga regressionsanalyser, både enkla och mer komplexa, och du får en inblick i hur du kan utvärdera modellens prestanda. I det här avsnittet kommer du att:
- Förstå hur regression fungerar.
- Arbeta med nya algoritmer: Linjär regression, flera linjär regression och polynomregression.
- Förstå regressionsmodellernas styrkor och begränsningar.
- Visualisera fel- och kostnadsfunktioner i linjär regression.
- Förstå grundläggande utvärderingsmått för regression.
Förfina och testa maskininlärningsmodeller
När vi tänker på maskininlärning fokuserar vi ofta på träningsprocessen. Att lägga lite tid på förberedelser inför träningsprocessen ger inte bara en snabbare och bättre inlärning. Det gör också att vi kan vara säkrare på att modellerna kommer att fungera bra med helt obekanta data. I det här avsnittet kommer du att:
- Definiera funktionsnormalisering.
- Skapa och arbeta med testdatauppsättningar.
- Formulera hur testmodeller både kan förbättra och skada träning.
Skapa och förstå klassificeringsmodeller inom maskininlärning
Klassificering innebär att man delar in objekt i kategorier. Man kan också se det som ett automatiserat beslutsfattande. Här introducerar vi klassificeringsmodeller via logistisk regression, vilket ger dig en språngbräda mot mer komplexa och spännande klassificeringsmetoder. I det här avsnittet kommer du att:
- Upptäck hur klassificering skiljer sig från klassisk regression.
- Skapa modeller som kan utföra klassificeringsuppgifter.
- Utforska hur du utvärderar och förbättrar klassificeringsmodeller.
Välja och anpassa arkitekturer och hyperparametrar med hjälp av slumpmässig skog
Effektiviteten hos mer komplexa modeller kan ofta förbättras genom en manuell anpassning. Med hjälp av övningar och förklarande innehåll utforskar vi hur ändringar av arkitekturen i mer komplexa modeller kan ge mer effektiva resultat. I det här avsnittet kommer du att:
- Upptäck nya modelltyper – beslutsträd och slumpmässiga skogar.
- Lär dig hur modellarkitektur kan påverka prestanda.
- Öva på att arbeta med hyperparametrar för att förbättra träningseffektiviteten.
Förvirringsmatris och obalans i data
Hur vet vi om en modell är bra eller dålig på att klassificera våra data? Datorers sätt att utvärdera modellprestanda kan ibland vara svårt för oss att förstå eller ge en överdrivet förenklad bild av hur modellen kommer att bete sig i verkligheten. För att vi ska kunna skapa modeller som fungerar på ett tillfredsställande sätt måste vi hitta intuitiva sätt att utvärdera dem och förstå hur dessa mått kan ge upphov till bias. I det här avsnittet kommer du att:
- Utvärdera prestanda för klassificeringsmodeller.
- Granska mått för att förbättra klassificeringsmodeller.
- Åtgärda prestandaproblem från obalanser i data.
Mäta och optimera modellprestanda med ROC och AUC
ROC-kurvor (Receiver Operator Characteristic) är ett kraftfullt sätt att utvärdera och finjustera tränade klassificeringsmodeller. Vi introducerar och förklarar de här kurvorna genom utbildningsmaterial och praktiska övningar. I det här avsnittet kommer du att:
- Förstå hur du skapar ROC-kurvor.
- Utforska hur du utvärderar och jämför modeller med hjälp av dessa kurvor.
- Öva på att finjustera en modell med egenskaper ritade på ROC-kurvor.
Våra talare
-
-
Glenn Stephens
Microsoft Senior Content Developer
Twitter
Vanliga frågor och svar
Kostar det något att delta i evenemanget?
Evenemanget är kostnadsfritt! Du kan ansluta Learn TV till stream-innehållet kostnadsfritt!
När äger händelsen rum?
Följ med oss varje tisdag, 14:00-15:30 PST, med start 14 september till 9 november.
Kommer den här händelsen att vara tillgänglig på begäran?
Japp! Du kan strömma våra tidigare händelser när som helst! Bläddra bland alla Learn Live för att strömma när som helst.
Var äger händelsen rum?
Den här händelseserien är virtuell! Följ med oss och tusentals andra för att njuta av upplevelsen från bekvämligheten av ditt eget hem, kontor eller enhet.
Vilket språk levereras avsnitt i?
Den här showen levereras på engelska. Textning på 14 olika språk kommer att vara tillgängligt i inspelningarna, som görs tillgängliga 48 timmar efter varje liveshow på Learn Live.
Regler för uppförande
Vi strävar efter att tillhandahålla en respektfull, vänlig och professionell upplevelse för alla, oavsett kön, sexuell läggning, utseende, funktionshinder, ålder, etnicitet eller religion. Vi tolererar inga kränkande beteenden som riktar sig mot en persons kön, etnicitet, sexuella läggning eller funktionsnedsättning, eller andra beteenden som kan upplevas som trakasserier eller diskriminering. Varje enskild person ansvarar för att känna till och följa våra standarder och vi uppmuntrar alla att hjälpa till med att skapa en välkomnande och säker miljö. Dessutom strävar vi efter att behandla jorden vi alla delar med samma respekt. Rapportera eventuella frågor, problem eller störande aktiviteter eller beteenden till vårt team så att vi kan åtgärda problemet omedelbart.