機械学習集中講座

Google がお届けする機械学習のスピーディで実践的な入門コースです。動画講義、インタラクティブな可視化、実践演習による一連のレッスンで構成されています。
2018 年以来、世界中の何百万人ものユーザーが ML 集中講座を利用して、ML の仕組みと ML がどのように役立つかを学んでいます。このたび、AI の最近の進歩を盛り込んだ、インタラクティブな学習に重点を置いた MLCC の更新版をリリースすることになりました。改善された新しい MLCC について詳しくは、こちらの動画をご覧ください。

コースのモジュール

ML 集中講座の各モジュールは自己完結型です。ML の経験があれば、スキップして学習したいトピックに直接進むことができます。ML を初めて使用する場合は、以下の順序でモジュールを完了することをおすすめします。

ML モデル

これらのモジュールでは、回帰と分類の構築の基礎を取り上げます。 構築できます

線形回帰の概要で、線形モデル、損失、勾配降下法、ハイパーパラメータの調整について説明します。
ロジスティック回帰の概要です。ML モデルは特定の結果の確率を予測するように設計されています。
しきい値、混同行列、精度、適合率、再現率、AUC などの指標をカバーする、バイナリ分類モデルの概要。

データ

これらのモジュールでは、ML データを操作するための基本的な手法とベスト プラクティスについて説明します。

数値データを分析して変換し、ML モデルをより効果的にトレーニングする方法を学びます。
カテゴリデータを数値データと区別する方法、ワンホット エンコーディング、特徴ハッシュ、平均エンコーディングを使用してカテゴリデータを数値で表現する方法、特徴クロスを行う方法についての基礎を学びます。
ML データセットの特性についての概要と、モデルをトレーニングおよび評価する際に高品質な結果を得るためのデータの準備方法。

高度な ML モデル

これらのモジュールでは、高度な ML モデルのアーキテクチャを取り上げます。

パーセプトロン、隠れ層、活性化関数など、ニューラル ネットワーク アーキテクチャの基本原理の概要を説明します。
エンベディングを使用して大規模な特徴ベクトルに対して ML を行う方法について説明します。
新規
トークンから Transformer までの大規模言語モデルの概要。LLM がテキスト出力の予測方法を学ぶ仕組みと、テキスト出力の設計とトレーニングの方法について学習します。

実世界の ML

これらのモジュールでは、本番環境に ML モデルを構築してデプロイする際に考慮すべき重要な事項(本番環境への導入のベスト プラクティス、自動化、責任あるエンジニアリングなど)を取り上げます。

幅広いコンポーネントで ML の本番環境システムがどのように機能するかについて学習します。
新規
自動 ML を使用するための原則とベスト プラクティスについて学びます。
データのバイアスを特定して軽減するための戦略など、ML モデルの公平性を監査するための原則とベスト プラクティスを学びます。