Szybkie szkolenie z zakresu systemów uczących się

Szybkie, praktyczne wprowadzenie do systemów uczących się opracowane przez Google, które zawiera serię lekcji z wykładami wideo, interaktywnymi wizualizacjami i praktycznymi ćwiczeniami.
Rozpocznij szybkie szkolenie Przeglądaj moduły szkolenia Wyświetl wymagania wstępne
Od 2018 roku miliony osób na całym świecie skorzystały z filmu „Machine Learning Crash Course”, aby dowiedzieć się, jak działają systemy uczące się i jak mogą one pomóc w ich wykorzystaniu. Z przyjemnością informujemy o wprowadzeniu odświeżonej wersji MLCC, w której omawiamy najnowsze osiągnięcia w dziedzinie AI, ze szczególnym uwzględnieniem edukacji interaktywnej. Obejrzyj ten film, aby dowiedzieć się więcej o nowej i ulepszonej funkcji MLCC.

Moduły szkolenia

Każdy moduł szybkiego szkolenia dotyczącego systemów uczących się jest samodzielne, więc jeśli masz już doświadczenie w tej dziedzinie, możesz od razu przejść do tych tematów, które Cię interesują. Jeśli dopiero zaczynasz korzystać z systemów uczących się, zalecamy ukończenie modułów w podanej niżej kolejności.

Modele ML

W tych modułach omawiamy podstawy regresji i klasyfikacji budynków modeli ML.

Wprowadzenie do regresji liniowej obejmujące modele liniowe, straty, spadek gradientu i dostrajanie hiperparametrów.
Wprowadzenie do regresji logistycznej, w której modele ML są zaprojektowane do przewidywania prawdopodobieństwa danego wyniku.
Wprowadzenie do modeli klasyfikacji binarnej, w tym z uwzględnieniem progów, macierzy pomyłek oraz wskaźników takich jak dokładność, precyzja, czułość i AUC.

Dane

Moduły te obejmują podstawowe techniki i sprawdzone metody pracy z danymi systemów uczących się.

Dowiedz się, jak analizować i przekształcać dane liczbowe, aby skuteczniej trenować modele systemów uczących się.
Naucz się podstaw pracy z danymi kategorycznymi: na czym polega rozróżnianie danych kategorycznych od danych liczbowych, jak reprezentować dane kategoryczne przy użyciu liczbowych za pomocą kodowania jednogorącego, haszowania cech i kodowania średniej oraz jak przeprowadzać krzyżowanie cech.
Wprowadzenie do charakterystycznych zbiorów danych systemów uczących się i informacji o tym, jak przygotować dane, aby uzyskać wysokiej jakości wyniki podczas trenowania i oceny modelu.

Zaawansowane modele ML

Moduły te obejmują zaawansowane architektury modeli ML.

Wprowadzenie do podstawowych zasad architektury sieci neuronowych, w tym perceptronów, warstw ukrytych i funkcji aktywacyjnych.
Dowiedz się, jak wektory dystrybucyjne pozwalają stosować systemy uczące się na dużych wektorach cech.
Nowy
Wprowadzenie do dużych modeli językowych, od tokenów po Transformery. Dowiedz się, jak duże modele językowe uczą się prognozować dane wyjściowe tekstu oraz jak są konstruowane i trenowane.

Praktyczne systemy uczące się

Moduły te obejmują najważniejsze kwestie, które trzeba wziąć pod uwagę podczas tworzenia i wdrażania modeli systemów uczących się w świecie rzeczywistym, takich jak sprawdzone metody produkcji, automatyzacja i odpowiedzialna inżynieria.

Dowiedz się, jak system produkcyjny systemów uczących się działa na wielu różnych komponentach.
Nowy
Poznaj zasady i sprawdzone metody dotyczące korzystania z automatycznych systemów uczących się.
Poznaj zasady i sprawdzone metody sprawdzania modeli systemów uczących się pod kątem rzetelności, w tym strategie identyfikowania i ograniczania tendencyjności w danych.