Ускоренный курс машинного обучения,Ускоренный курс машинного обучения

Быстрое практическое введение Google в машинное обучение, включающее серию уроков с видеолекциями, интерактивными визуализациями и практическими упражнениями.
С 2018 года миллионы людей во всем мире воспользовались ускоренным курсом машинного обучения, чтобы узнать, как работает машинное обучение и как машинное обучение может помочь им. Мы рады объявить о выпуске обновленной версии MLCC, которая охватывает последние достижения в области искусственного интеллекта и уделяет повышенное внимание интерактивному обучению. Посмотрите это видео, чтобы узнать больше о новом и улучшенном MLCC.

Модули курса

Каждый модуль ускоренного курса машинного обучения является самостоятельным, поэтому, если у вас есть опыт работы в машинном обучении, вы можете сразу перейти к темам, которые хотите изучить. Если вы новичок в машинном обучении, мы рекомендуем проходить модули в указанном ниже порядке.

Модели машинного обучения

Эти модули охватывают основы построения моделей регрессии и классификации.

Введение в линейную регрессию, охватывающее линейные модели, потери, градиентный спуск и настройку гиперпараметров.
Введение в логистическую регрессию, где модели машинного обучения предназначены для прогнозирования вероятности заданного результата.
Введение в модели двоичной классификации, охватывающие пороговое определение, матрицы путаницы и такие показатели, как точность, прецизионность, полнота и AUC.

Данные

В этих модулях рассматриваются фундаментальные методы и лучшие практики работы с данными машинного обучения.

Узнайте, как анализировать и преобразовывать числовые данные, чтобы более эффективно обучать модели машинного обучения.
Изучите основы работы с категориальными данными: как отличить категориальные данные от числовых; как представлять категориальные данные в числовом виде, используя горячее кодирование, хеширование признаков и среднее кодирование; и как выполнять скрещивание объектов.
Введение в характеристики наборов данных машинного обучения и способы подготовки данных для обеспечения высококачественных результатов при обучении и оценке вашей модели.

Расширенные модели машинного обучения

Эти модули охватывают расширенные архитектуры моделей машинного обучения.

Введение в фундаментальные принципы архитектуры нейронных сетей, включая перцептроны, скрытые слои и функции активации.
Узнайте, как встраивания позволяют выполнять машинное обучение на больших векторах признаков.
Новый
Введение в большие языковые модели, от токенов до трансформеров. Изучите основы того, как LLM учатся прогнозировать вывод текста, а также как они проектируются и обучаются.

Реальное машинное обучение

В этих модулях рассматриваются важные аспекты создания и развертывания моделей машинного обучения в реальном мире, включая передовые методы производства, автоматизацию и ответственное проектирование.

Узнайте, как производственная система машинного обучения работает с множеством компонентов.
Новый
Изучите принципы и лучшие практики использования автоматизированного машинного обучения.
Изучите принципы и передовой опыт проверки моделей ML на предмет справедливости, включая стратегии выявления и устранения искажений в данных.