Інтенсивний курс із машинного навчання (MLCC)

Швидке практичне знайомство з машинним навчанням від Google, що складається із серії уроків із відеолекціями, інтерактивними візуалізаціями й практичними вправами.
Почати інтенсивний курс Переглянути модулі курсу Переглянути вимоги Довідковий центр

Що нового в інтенсивному курсі з машинного навчання?

З 2018 року мільйони людей по всьому світу використовують інтенсивний курс із машинного навчання, щоб дізнатися, як воно працює і може їм допомагати. З радістю повідомляємо про запуск оновленої версії MLCC: ми додали матеріали про останні досягнення в галузі штучного інтелекту й зробили великий акцент на інтерактивному навчанні. Перегляньте це відео, щоб дізнатися більше про новий, удосконалений курс MLCC.

Модулі курсу

Кожен модуль інтенсивного курсу з машинного навчання самодостатній, тому, якщо у вас уже є досвід роботи із цими технологіями, можете перейти безпосередньо до теми, яку хочете вивчити. Якщо ж ви тільки знайомитеся з машинним навчанням, рекомендуємо опановувати модулі в наведеному нижче порядку.

Моделі машинного навчання

У цих модулях розглядаються основи побудови моделей регресії і класифікації.

Огляд лінійної регресії, зокрема лінійних моделей, втрат, градієнтного спуску й налаштування гіперпараметрів.
Огляд логістичної регресії, яка використовується в моделях машинного навчання, щоб вони могли прогнозувати ймовірність заданого результату.
Огляд моделей двійкової класифікації, зокрема порогових значень, матриць плутанини й таких значень, як точність, влучність, повнота й AUC.

Дані

У цих модулях розглядаються основні методи й рекомендації щодо роботи з даними машинного навчання.

Дізнайтеся, як аналізувати й перетворювати числові дані, щоб ефективніше тренувати моделі машинного навчання.
Дізнайтеся про основи роботи з категорійними даними, зокрема про те, як відрізнити категорійні дані від числових, як представити категорійні дані в цифровому вигляді за допомогою прямого кодування, хешування ознак і середнього кодування, а також як поєднувати ознаки.
Огляд характеристик наборів даних для машинного навчання, а також способів підготовки даних, які допоможуть забезпечити якісні результати при тренуванні й оцінюванні моделі.

Удосконалені моделі машинного навчання

У цих модулях розглядаються найсучасніші архітектури моделей машинного навчання.

Огляд основних принципів архітектури нейронних мереж, зокрема персептронів, прихованих шарів і функцій активації.
Дізнайтеся, як за допомогою векторних представлень використовувати для машинного навчання великі вектори ознак.
Нове
Огляд великих мовних моделей – від лексем до трансформерів. Дізнайтеся про те, як великі мовні моделі вчаться прогнозувати текстові результати, а також про їх архітектуру й навчання.

Машинне навчання в реальних умовах

У цих модулях розглядаються найважливіші аспекти побудови й розгортання моделей машинного навчання в реальних умовах, зокрема надаються рекомендації щодо впровадження, відомості про автоматизацію і відповідальну розробку.

Дізнайтеся про компоненти й процеси, що забезпечують роботу системи машинного навчання в реальних умовах.
Нове
Дізнайтеся про принципи й найефективніші методи використання автоматизованого машинного навчання.
Дізнайтеся про принципи й найефективніші методи перевірки моделей машинного навчання на об’єктивність, зокрема про стратегії виявлення й пом’якшення упередженості даних.