Szybkie szkolenie z systemów uczących się

Szybkie i praktyczne wprowadzenie do uczenia maszynowego od Google, które zawiera serię animowanych filmów, interaktywnych wizualizacji i praktycznych ćwiczeń.
Rozpocznij szkolenie Przeglądanie modułów kursu Wyświetl wymagania wstępne Centrum pomocy
Od 2018 r. miliony osób na całym świecie korzystają z szybkiego szkolenia z uczenia maszynowego, aby dowiedzieć się, jak działają systemy uczące się i jak mogą im one pomóc. Z przyjemnością informujemy o uruchomieniu odświeżonej wersji kursu MLCC, który obejmuje najnowsze osiągnięcia w dziedzinie AI, ze szczególnym uwzględnieniem nauki interaktywnej. Obejrzyj ten film, aby dowiedzieć się więcej o nowym, ulepszonym interfejsie MLCC.

Moduły zajęć

Każdy moduł Szybkiego szkolenia z uczenia maszynowego jest samodzielny, więc jeśli masz już doświadczenie w tej dziedzinie, możesz przejść bezpośrednio do tematów, które chcesz poznać. Jeśli dopiero zaczynasz swoją przygodę z uczeniem maszynowym, zalecamy ukończenie modułów w podanej niżej kolejności.

Modele ML

Te moduły obejmują podstawy tworzenia modeli regresji i klasyfikacji.

Wprowadzenie do regresji liniowej, w tym modele liniowe, funkcja straty, gradient zstępujący i dostrajanie hiperparametrów.
Wprowadzenie do regresji logistycznej, w której modele ML służą do przewidywania prawdopodobieństwa wystąpienia danego wyniku.
Wprowadzenie do modeli klasyfikacji binarnej, w tym omówienie ustalania progów, tablic pomyłek i wskaźników takich jak dokładność, precyzja, czułość i AUC.

Dane

Te moduły obejmują podstawowe techniki i sprawdzone metody dotyczące pracy z danymi uczenia maszynowego.

Dowiedz się, jak analizować i przekształcać dane liczbowe, aby efektywniej trenować modele uczenia maszynowego.
Poznasz podstawy pracy z danymi kategorycznymi: jak odróżniać dane kategoryczne od danych liczbowych, jak przedstawiać dane kategoryczne w postaci liczbowej za pomocą kodowania 1-hot, hashowania cech i kodowania średniej oraz jak wykonywać krzyżowanie cech.
Wprowadzenie do charakterystyki zbiorów danych systemów uczących się oraz informacje o tym, jak przygotować dane, aby zapewnić wysoką jakość wyników podczas trenowania i oceny modelu.

Zaawansowane modele ML

Te moduły obejmują zaawansowane architektury modeli ML.

Wprowadzenie do podstawowych zasad architektur sieci neuronowych, w tym perceptronów, ukrytych warstw i funkcji aktywacji.
Dowiedz się, jak wektory dystrybucyjne umożliwiają uczenie maszynowe na podstawie dużych wektorów cech.
Nowość
Wprowadzenie do dużych modeli językowych, od tokenów po transformery. Poznaj podstawy dotyczące tego, jak duże modele językowe uczą się przewidywać tekst wyjściowy, a także jak są one projektowane i trenowane.

Sztuczna inteligencja w praktyce

Te moduły obejmują najważniejsze kwestie związane z tworzeniem i wdrażaniem modeli systemów uczących się w praktyce, w tym sprawdzone metody wdrażania w produkcji, automatyzację i odpowiedzialne inżynierowanie.

Dowiedz się, jak działa system produkcyjny oparty na uczeniu maszynowym w przypadku różnych komponentów.
Nowość
Poznaj zasady i sprawdzone metody korzystania z automatycznego systemu uczącego się.
Poznaj zasady i sprawdzone metody dotyczące audytu modeli systemów uczących się pod kątem obiektywności, w tym strategie identyfikowania i minimalizowania uprzedzenia w danych.