Makine öğrenmesi için veri bilimlerini anlama

Başlangıç
Yapay Zeka Mühendisi
Veri Bilimcisi
Geliştirici
Öğrenci
Azure

Microsoft Learn, klasik makine öğrenmesine giriş yapmak için çeşitli etkileşimli yollar sağlar. Bu öğrenme yolları, kendi başlarına üretken olmanıza ve derin öğrenme konularına geçmek için mükemmel bir temele sahip olmanıza neden olur.

En temel klasik makine öğrenmesi modellerinden keşif veri analizine ve mimarileri özelleştirmeye kadar, tarayıcınızdan çıkmadan kolay anlaşılır kavramsal içerik ve etkileşimli Jupyter not defterleri tarafından yönlendirileceksiniz.

Eğitim geçmişinize ve ilgi alanlarınıza bağlı olarak kendi yolunuzu seçin.

1. Seçenek: Kursun tamamı: Makine öğrenmesi için veri biliminin temelleri

Bu yol çoğu kişi için önerilir. Kavramların pekiştiricisini en üst düzeye çıkaran özel bir akışla diğer iki öğrenme yolu ile aynı modüllerin tümüne sahiptir. Hem temel kavramlar hem de en yaygın makine öğrenmesi araçlarıyla model oluşturma hakkında bilgi edinmek istiyorsanız bu yol sizin için. Klasik makine öğrenmesinin ötesine geçmeyi ve derin öğrenme ve sinir ağlarında eğitim almayı planlıyorsanız da en iyi yol budur. Bu yalnızca burada tanıtıyoruz.

✔ 2. Seçenek: Makine öğrenmesi için veri bilimini anlama yolu

Makine öğrenmesi'nin nasıl çalıştığını anlamak istiyorsanız ve çok fazla matematiksel arka planınız yoksa bu yol tam size göre. Önceki eğitimle ilgili hiçbir varsayımda bulunmaz (kodlama kavramları hakkında hafif bir bilgi dışında) ve size aha anı kazandıran kod, metafor ve görselle öğretir. Uygulamalı bir uygulamadır, ancak temel bilgileri anlamaya daha çok, kullanılabilir araç ve kitaplıkların gücüne daha az odaklanır.

✔ Şu anda bu yoldasınız, başlamak için aşağı kaydırın.

3. Seçenek: Makine öğrenmesi modelleri oluşturma öğrenme yolu

Makine öğrenmesinin ne hakkında olduğunu zaten biliyorsanız veya güçlü bir matematiksel arka planınız varsa , makine öğrenmesi modelleri oluşturma öğrenme yoluna doğrudan geçmekten keyif alabilirsiniz. Bu modüller bazı makine öğrenmesi kavramlarını öğretir, ancak scikit-learn, TensorFlow ve PyTorch gibi araçları kullanmanın gücünden yararlanmak için hızlı hareket eder. Azure ML veya Azure Databricks gibi ürünlere yönelik makine öğrenmesi örneklerini anlamak için yeterli bilgi edinmek istiyorsanız bu öğrenme yolu sizin için de en iyi yoldur.

Önkoşullar

Hiçbiri

Bu öğrenme yolundaki modüller

Bilgisayar bilimi ve istatistik konusunda çok az bilgisi olan veya hiç bilgisi olmayan kişiler için makine öğrenmesine üst düzey bir genel bakış. Bazı temel kavramlar hakkında bilgi alacak, verileri keşfedecek ve makine öğrenmesi yaşam döngüsünü etkileşimli bir şekilde inceleyeceksiniz. Ayrıca Python'ı kullanarak gerçek dünyada olduğu gibi bir makine öğrenmesi modelini eğitecek, kaydedecek ve kullanacaksınız.

Denetimli öğrenme, bir algoritmanın veri örneklerini inceleyerek öğrendiği bir makine öğrenmesi biçimidir. Denetimli öğrenmenin nasıl gerçek dünya hakkında bulunabilen bir modeli otomatik olarak oluşturabileceğini aşamalı olarak gösteriyoruz. Ayrıca bu modellerin nasıl test edildiklerine ve eğitimde ortaya çıkabilecek zorluklara değiniyoruz.

Makine öğrenmesi modellerinin gücü, bunları eğitmek için kullanılan verilerden gelir. İçerik ve alıştırmalar aracılığıyla verilerinizi anlama, bilgisayarın düzgün şekilde yorumlayabilmesi için kodlama, hatalardan temizleme ve iyi performans sergileyen modeller oluşturmanıza yardımcı olacak ipuçları hakkında bilgi edineceğiz.

Regresyon, muhtemelen en yaygın olarak kullanılan makine öğrenmesi tekniğidir. Yaygın olarak bilimsel keşiflerin, iş planlamanın ve borsa analizinin temelinde kullanılır. Bu öğrenme malzemeleri hem basit hem de daha karmaşık olan bazı yaygın regresyon analizlerini inceler ve model performansını değerlendirmeye ilişkin bazı içgörüler sağlar.

Makine öğrenmesi dendiğinde genelde eğitim sürecine odaklanırız. Bu işlemden önce az da olsa hazırlık yapılması, öğrenme sürecini hızlandırıp iyileştirmekle kalmaz, modellerimizin daha önce hiç görmediğimiz verilerle karşılaştığında ne kadar iyi çalışacakları konusunda bize güven verir.

Sınıflandırma, öğeleri kategorilere atamak anlamına gelir veya otomatik karar alma düşünülebilir. Burada lojistik regresyon aracılığıyla sınıflandırma modellerini tanıtarak daha karmaşık ve heyecan verici sınıflandırma yöntemlerine doğru adım adım ilerlemeniz sağlıyoruz.

Daha karmaşık modeller genellikle ne kadar etkili olduklarını geliştirmek için el ile özelleştirilebilir. Alıştırmalar ve açıklayıcı içerikler aracılığıyla, daha karmaşık modellerin mimarisinin değiştirilmesinin nasıl daha etkili sonuçlar elde edilmesini sağladığını keşfedeceğiz.

Bir modelin verilerimizi sınıflandırmada iyi mi yoksa kötü mü olduğunu nasıl anlarız? Bilgisayarların model performansını değerlendirme biçimini anlamak bizim için bazen zor olabilir veya modelin gerçek dünyada nasıl davranacağını aşırı basitleştirebilir. Tatmin edici bir şekilde çalışacak modeller oluşturmak için bunları değerlendirmenin sezgisel yollarını bulmamız ve bu ölçümlerin görünümü nasıl sapmaya neden olduğunu anlamamız gerekir.

Alıcı işleci özellik eğrileri, eğitilen sınıflandırma modellerini değerlendirmenin ve hassas ayarlamanın güçlü bir yoludur. Öğrenme içeriği ve pratik alıştırmalar aracılığıyla bu eğrilerin kullanımını anlatıp açıklarız.