機器學習密集課程

Google 提供快速步調的機器學習實作入門課程,提供一系列的影片講座、互動式視覺化內容和實作練習。
自 2018 年以來,全球有數百萬人透過機器學習密集課程瞭解機器學習的運作方式,以及如何使用機器學習技術。我們很高興宣布推出新版 MLCC,內容涵蓋近期 AI 技術進展,並更著重於互動式學習。請觀看這部影片,進一步瞭解全新改良的 MLCC。

課程單元

每個機器學習密集課程單元都是獨立的,如果您曾有機器學習相關經驗,可以直接跳到感興趣的主題。如果你剛接觸機器學習領域,建議依下列順序完成單元。

機器學習模型

這些單元涵蓋建構迴歸和分類的基礎知識 我們來看評估分類模型成效時 的喚回度和精確度指標

線性迴歸簡介,涵蓋線性模型、損失、梯度下降和超參數調整。
邏輯迴歸簡介,其中機器學習模型旨在預測特定結果的機率。
介紹二元分類模型,涵蓋門檻設定、混淆矩陣,以及準確率、精確度、喚回度和 AUC 等指標。

資料

這些單元涵蓋使用機器學習資料的基本技術和最佳做法。

瞭解如何分析及轉換數值資料,以便更有效率地訓練機器學習模型。
瞭解類別資料的使用基礎知識:如何區分類別資料與數值資料;如何以 one-hot 編碼、特徵雜湊和均數編碼,以數值表示類別資料;以及如何執行交叉比對。
簡要介紹機器學習資料集的特性,以及如何準備資料,確保訓練和評估模型時獲得高品質的成果。

進階機器學習模型

這些單元涵蓋進階機器學習模型架構。

介紹類神經網路架構的基本概念,包含感知、隱藏層和活化函數。
瞭解如何透過嵌入功能在大型特徵向量上進行機器學習。
新增
大型語言模型簡介,包括符記、變換器等。瞭解 LLM 如何學習預測文字輸出內容,以及產生與訓練 LLM 的方式。

實際應用機器學習

這些單元涵蓋在現實世界中建構及部署機器學習模型時需要考量的重要考量,包括實際工作環境最佳做法、自動化作業和負責任的工程。

瞭解機器學習實際工作環境系統如何在眾多元件中運作。
新增
瞭解使用自動化機器學習技術的原則和最佳做法。
瞭解稽核機器學習模型的公平性原則和最佳做法,包括識別及緩解資料偏誤的策略。