หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง

บทนำเกี่ยวกับแมชชีนเลิร์นนิงที่รวดเร็วและนำไปใช้ได้จริงของ Google โดยมีชุดบทเรียนพร้อมการบรรยายในรูปแบบวิดีโอ การแสดงภาพแบบอินเทอร์แอกทีฟ และแบบฝึกหัดเชิงปฏิบัติ
เริ่มหลักสูตรข้อขัดข้อง เรียกดูโมดูลของหลักสูตร ดูข้อกำหนดเบื้องต้น

โมดูลหลักสูตร

โมดูลหลักสูตรสั้นๆ เกี่ยวกับแมชชีนเลิร์นนิงแต่ละรายการจะทำงานในตัวเอง ดังนั้นหากมีประสบการณ์ด้านแมชชีนเลิร์นนิงมาก่อน ก็ข้ามไปยังหัวข้อที่ต้องการเรียนรู้ได้โดยตรง หากคุณเพิ่งเริ่มใช้แมชชีนเลิร์นนิง เราขอแนะนำให้ศึกษาโมดูลต่างๆ ตามลำดับด้านล่าง

โมเดล ML

โมดูลเหล่านี้ครอบคลุมพื้นฐานของการสร้างการถดถอยและการแยกประเภท

ความรู้เบื้องต้นเกี่ยวกับการถดถอยเชิงเส้น ครอบคลุมโมเดลเชิงเส้น การสูญเสีย การไล่ระดับสีลง และการปรับแต่งไฮเปอร์พารามิเตอร์
ข้อมูลเบื้องต้นเกี่ยวกับการถดถอยแบบโลจิสติกส์ โดยโมเดล ML ได้รับการออกแบบมาเพื่อคาดการณ์ความน่าจะเป็นของผลลัพธ์ที่ระบุ
ความรู้เบื้องต้นเกี่ยวกับโมเดลการจัดประเภทแบบไบนารี ซึ่งครอบคลุมการกำหนดเกณฑ์ เมทริกซ์ความสับสน และเมตริกต่างๆ เช่น ความแม่นยำ ความแม่นยำ ความอ่อนไหว และ AUC

ข้อมูล

โมดูลเหล่านี้ครอบคลุมเทคนิคพื้นฐานและแนวทางปฏิบัติแนะนำสำหรับการทำงานกับข้อมูลแมชชีนเลิร์นนิง

เรียนรู้วิธีวิเคราะห์และเปลี่ยนรูปแบบข้อมูลตัวเลขเพื่อช่วยฝึกโมเดล ML อย่างมีประสิทธิภาพมากขึ้น
เรียนรู้หลักพื้นฐานของการทำงานกับข้อมูลเชิงกลุ่ม: วิธีแยกข้อมูลเชิงกลุ่มออกจากข้อมูลเชิงตัวเลข วิธีแสดงข้อมูลเชิงกลุ่มเป็นตัวเลขโดยใช้การเข้ารหัสแบบคลิกเดียว การแฮชฟีเจอร์ และการเข้ารหัสค่าเฉลี่ย และวิธีใช้งานข้ามฟีเจอร์
ข้อมูลเบื้องต้นเกี่ยวกับลักษณะของชุดข้อมูลแมชชีนเลิร์นนิง และวิธีเตรียมข้อมูลเพื่อให้ได้ผลลัพธ์ที่มีคุณภาพสูงเมื่อฝึกและประเมินโมเดล

โมเดล ML ขั้นสูง

โมดูลเหล่านี้ครอบคลุมสถาปัตยกรรมโมเดล ML ขั้นสูง

ข้อมูลเบื้องต้นเกี่ยวกับหลักการพื้นฐานของสถาปัตยกรรมโครงข่ายประสาท รวมถึงเพอร์เซปตัน เลเยอร์ที่ซ่อนอยู่ และฟังก์ชันการเปิดใช้งาน
ดูว่าการฝังช่วยให้คุณใช้แมชชีนเลิร์นนิงบนเวกเตอร์ฟีเจอร์ขนาดใหญ่ได้อย่างไร
ใหม่
ความรู้เบื้องต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่ ตั้งแต่โทเค็นไปจนถึง Transformers ดูข้อมูลพื้นฐานเกี่ยวกับวิธีที่ LLM เรียนรู้วิธีการคาดการณ์เอาต์พุตข้อความ รวมถึงวิธีการออกแบบและฝึกการทำงานของ LLM

ML ในชีวิตจริง

โมดูลเหล่านี้ครอบคลุมข้อควรพิจารณาที่สำคัญเมื่อสร้างและทำให้โมเดล ML ใช้งานได้ในชีวิตจริง รวมถึงแนวทางปฏิบัติแนะนำในการสร้างการผลิต การทำงานอัตโนมัติ และวิศวกรรมที่มีความรับผิดชอบ

ดูวิธีการทํางานของระบบการผลิตของแมชชีนเลิร์นนิงในกลุ่มต่างๆ
ใหม่
เรียนรู้หลักการและแนวทางปฏิบัติแนะนำสำหรับการใช้แมชชีนเลิร์นนิงอัตโนมัติ
ดูหลักการและแนวทางปฏิบัติแนะนำสำหรับการตรวจสอบโมเดล ML เพื่อความเป็นธรรม รวมถึงกลยุทธ์ในการระบุและลดอคติในข้อมูล