Machine Learning Crash Course

Googles schnelle, praktische Einführung in maschinelles Lernen mit einer Reihe von Lektionen mit Videovorträgen, interaktiven Visualisierungen und praktischen Übungen.
Crashkurs starten Kursmodule ansehen Voraussetzungen ansehen
Seit 2018 nutzen Millionen von Menschen auf der ganzen Welt den Crashkurs „Machine Learning“, um zu lernen, wie maschinelles Lernen funktioniert und wie maschinelles Lernen für sie funktioniert. Wir freuen uns, die Einführung einer aktualisierten Version von MLCC ankündigen zu können, die die jüngsten Fortschritte im KI-Bereich mit verstärktem Fokus auf interaktives Lernen abdeckt. In diesem Video erfahren Sie mehr über das neue und verbesserte MLCC.

Kursmodule

Jedes Crashkursmodul zum Thema „Maschinelles Lernen“ ist eigenständig. Wenn Sie also bereits Erfahrung im Bereich des maschinellen Lernens haben, können Sie direkt zu den Themen springen, die Sie lernen möchten. Wenn Sie noch keine Erfahrung mit maschinellem Lernen haben, empfehlen wir, die Module in der unten stehenden Reihenfolge abzuschließen.

ML-Modelle

Diese Module behandeln die Grundlagen der Erstellung von Regressions- und Klassifizierungen Modelle.

Eine Einführung in die lineare Regression, die lineare Modelle, Verluste, Gradientenabstieg und Hyperparameter-Feinabstimmung behandelt.
Eine Einführung in die logistische Regression, bei der ML-Modelle entwickelt werden, um die Wahrscheinlichkeit eines bestimmten Ergebnisses vorherzusagen.
Eine Einführung in binäre Klassifizierungsmodelle, die Schwellenwerte, Wahrheitsmatrizen und Metriken wie Genauigkeit, Precision, Recall und AUC behandelt.

Daten

In diesen Modulen werden grundlegende Techniken und Best Practices für die Arbeit mit Daten des maschinellen Lernens behandelt.

Hier erfahren Sie, wie Sie numerische Daten analysieren und transformieren können, um ML-Modelle effektiver zu trainieren.
Lernen Sie die Grundlagen der Arbeit mit kategorialen Daten kennen: Wie Sie kategoriale von numerischen Daten unterscheiden, wie Sie kategoriale Daten numerisch mit One-Hot-Codierung, Feature-Hashing und Mittelwert-Codierung darstellen und wie Sie Featureverknüpfungen durchführen.
Eine Einführung in die Merkmale von ML-Datasets und dazu, wie Sie Ihre Daten vorbereiten, um beim Trainieren und Bewerten Ihres Modells qualitativ hochwertige Ergebnisse zu erzielen.

Fortgeschrittene ML-Modelle

In diesen Modulen werden erweiterte ML-Modellarchitekturen behandelt.

Eine Einführung in die grundlegenden Prinzipien neuronaler Netzwerkarchitekturen, einschließlich Perzeptronen, verborgener Schichten und Aktivierungsfunktionen.
Hier erfahren Sie, wie Sie mithilfe von Einbettungen maschinelles Lernen mit großen Featurevektoren ausführen können.
Neu
Eine Einführung in Large Language Models, von Tokens bis zu Transformers. Hier erfahren Sie, wie LLMs Textausgabe vorhersagen können und wie sie strukturiert und trainiert werden.

ML in der Praxis

Diese Module behandeln wichtige Überlegungen beim Erstellen und Bereitstellen von ML-Modellen in der realen Welt, einschließlich Best Practices für die Produktion, Automatisierung und verantwortungsbewusstes Engineering.

Hier erfahren Sie, wie ein Produktionssystem für maschinelles Lernen in einer Vielzahl von Komponenten funktioniert.
Neu
Hier lernen Sie die Prinzipien und Best Practices für automatisiertes maschinelles Lernen kennen.
Lernen Sie Prinzipien und Best Practices für die Prüfung von ML-Modellen auf Fairness kennen, einschließlich Strategien zur Identifizierung und Minderung von Verzerrungen in Daten.