Machine Learning Crash Course

Der Crashkurs „Maschinelles Lernen“ von Google bietet eine zügige, praktische Einführung in das Thema. Der Kurs besteht aus mehreren animierten Videos, interaktiven Visualisierungen und praktischen Übungen.
Crashkurs starten Kursmodule ansehen Voraussetzungen ansehen Hilfe
Seit 2018 haben Millionen von Menschen weltweit den Crashkurs „Maschinelles Lernen“ genutzt, um zu erfahren, wie maschinelles Lernen funktioniert und wie sie davon profitieren können. Wir freuen uns, die Einführung einer aktualisierten Version des MLCC ankündigen zu können, die die neuesten Fortschritte in der KI abdeckt und einen stärkeren Fokus auf interaktives Lernen legt. In diesem Video erfahren Sie mehr über die neue und verbesserte MLCC.

Kursmodule

Jedes Modul des Crashkurses zum Thema „Maschinelles Lernen“ ist in sich abgeschlossen. Wenn Sie bereits Erfahrung mit maschinellem Lernen haben, können Sie direkt zu den Themen springen, die Sie lernen möchten. Wenn Sie noch nicht mit dem maschinellen Lernen vertraut sind, empfehlen wir Ihnen, die Module in der folgenden Reihenfolge abzuschließen.

ML-Modelle

Diese Module behandeln die Grundlagen der Erstellung von Regressions- und Klassifizierungsmodellen.

Eine Einführung in die lineare Regression, einschließlich linearer Modelle, Verlust, Gradientenabstieg und Hyperparameterabstimmung.
Eine Einführung in die logistische Regression, bei der ML-Modelle die Wahrscheinlichkeit eines bestimmten Ergebnisses vorhersagen sollen.
Eine Einführung in binäre Klassifizierungsmodelle, einschließlich Schwellenwerten, Verwirrungsmatrizen und Messwerten wie Genauigkeit, Präzision, Recall und AUC.

Daten

In diesen Modulen werden grundlegende Techniken und Best Practices für die Arbeit mit Daten für maschinelles Lernen behandelt.

Hier erfahren Sie, wie Sie numerische Daten analysieren und transformieren, um ML-Modelle effektiver zu trainieren.
Hier erfahren Sie die Grundlagen der Arbeit mit kategorischen Daten: Wie Sie kategorische Daten von numerischen Daten unterscheiden, wie Sie kategorische Daten mithilfe von One-Hot-Codierung, Merkmals-Hash-Technologie und Mittelwertcodierung numerisch darstellen und wie Sie Merkmalskreuzungen durchführen.
Eine Einführung in die Merkmale von Datasets für maschinelles Lernen und wie Sie Ihre Daten so vorbereiten, dass Sie beim Trainieren und Bewerten Ihres Modells hochwertige Ergebnisse erzielen.

Fortgeschrittene ML-Modelle

Diese Module behandeln erweiterte ML-Modellarchitekturen.

Eine Einführung in die grundlegenden Prinzipien von neuronalen Netzwerkarchitekturen, einschließlich Perzeptronen, verborgener Schichten und Aktivierungsfunktionen.
Informationen dazu, wie Sie mithilfe von Einbettungen maschinelles Lernen auf große Featurevektoren anwenden können
Neu
Eine Einführung in Large Language Models, von Tokens bis hin zu Transformern. Hier erfahren Sie die Grundlagen dazu, wie LLMs lernen, Textausgaben vorherzusagen, sowie wie sie aufgebaut und trainiert werden.

ML in der Praxis

Diese Module behandeln wichtige Aspekte beim Erstellen und Bereitstellen von ML-Modellen in der Praxis, einschließlich Best Practices für die Produktionsumstellung, Automatisierung und verantwortungsbewusste Entwicklung.

Hier erfahren Sie, wie ein Produktionssystem für maschinelles Lernen mit einer Vielzahl von Komponenten funktioniert.
Neu
Informationen zu den Prinzipien und Best Practices für die Verwendung automatisierten maschinellen Lernens
Sie lernen Prinzipien und Best Practices für die Prüfung von ML-Modellen auf Fairness kennen, einschließlich Strategien zur Identifizierung und Minimierung von Voreingenommenheiten in Daten.