หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง
บทนำเรื่องแมชชีนเลิร์นนิงแบบกระชับแต่ใช้ได้จริงของ Google ซึ่งประกอบด้วยชุดวิดีโอภาพเคลื่อนไหว ภาพอินเทอร์แอกทีฟ และแบบฝึกหัดแบบลงมือปฏิบัติ
การออกกำลังกายกว่า 100 รายการ
โมดูล 12 รายการ
15 ชั่วโมง
วิดีโออธิบายแนวคิด ML
ตัวอย่างจากสถานการณ์จริง
ภาพข้อมูลที่โต้ตอบได้
มีอะไรใหม่ในหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง
ตั้งแต่ปี 2018 ผู้คนหลายล้านคนทั่วโลกได้ดูหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงเพื่อเรียนรู้วิธีการทํางานของแมชชีนเลิร์นนิง และวิธีที่แมชชีนเลิร์นนิงจะทํางานให้พวกเขาได้ เรายินดีที่จะประกาศเปิดตัว MLCC เวอร์ชันปรับปรุงใหม่ซึ่งครอบคลุมความก้าวหน้าล่าสุดของ AI โดยมุ่งเน้นที่การเรียนรู้แบบอินเทอร์แอกทีฟมากขึ้น ดูวิดีโอนี้เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับ MLCC เวอร์ชันใหม่ที่ได้รับการปรับปรุง
โมดูลหลักสูตร
แต่ละโมดูลในหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงจะแยกกันต่างหาก ดังนั้นหากคุณมีประสบการณ์ด้านแมชชีนเลิร์นนิงมาก่อน ก็สามารถข้ามไปยังหัวข้อที่ต้องการเรียนรู้ได้โดยตรง หากคุณเพิ่งเริ่มศึกษาเกี่ยวกับแมชชีนเลิร์นนิง เราขอแนะนำให้คุณศึกษาโมดูลตามลำดับด้านล่าง
โมเดล ML
โมดูลเหล่านี้ครอบคลุมพื้นฐานในการสร้างโมเดลการถดถอยและการแยกประเภท
การถดถอยเชิงเส้น
ข้อมูลเบื้องต้นเกี่ยวกับวิธีการหาค่าประมาณเชิงเส้น ซึ่งครอบคลุมโมเดลเชิงเส้น, ค่า Loss, การลดเชิงลาด และการปรับแต่งไฮเปอร์พารามิเตอร์
การถดถอยแบบโลจิสติก
ข้อมูลเบื้องต้นเกี่ยวกับการถดถอยแบบโลจิสติก ซึ่งโมเดล ML ได้รับการออกแบบมาเพื่อคาดการณ์ความน่าจะเป็นของผลลัพธ์หนึ่งๆ
การจัดประเภท
ข้อมูลเบื้องต้นเกี่ยวกับโมเดลการจัดประเภทแบบไบนารี ซึ่งครอบคลุมเกณฑ์ เมทริกซ์ความสับสน และเมตริกต่างๆ เช่น ความแม่นยำ ความแม่นยำ ความแม่นยำในการเรียกคืน และ AUC
ข้อมูล
โมดูลเหล่านี้ครอบคลุมเทคนิคพื้นฐานและแนวทางปฏิบัติแนะนำสำหรับการทำงานกับข้อมูลแมชชีนเลิร์นนิง
การทำงานกับข้อมูลตัวเลข
ดูวิธีวิเคราะห์และเปลี่ยนรูปแบบข้อมูลตัวเลขเพื่อช่วยฝึกโมเดล ML ได้อย่างมีประสิทธิภาพมากขึ้น
การทำงานกับข้อมูลเชิงหมวดหมู่
ดูพื้นฐานของการใช้ข้อมูลเชิงหมวดหมู่ ได้แก่ วิธีแยกแยะข้อมูลเชิงหมวดหมู่จากข้อมูลเชิงตัวเลข วิธีแสดงข้อมูลเชิงหมวดหมู่เป็นตัวเลขโดยใช้การเข้ารหัสที่มี 1 เพียงตัวเดียว การแฮชฟีเจอร์ และการเข้ารหัสค่าเฉลี่ย และวิธีทำการครอสฟีเจอร์
ชุดข้อมูล การทั่วไป และการปรับให้พอดีมากเกินไป
ข้อมูลเบื้องต้นเกี่ยวกับลักษณะของชุดข้อมูลแมชชีนเลิร์นนิง และวิธีเตรียมข้อมูลเพื่อให้ได้ผลลัพธ์ที่มีคุณภาพสูงเมื่อฝึกและประเมินโมเดล
โมเดล ML ขั้นสูง
โมดูลเหล่านี้ครอบคลุมสถาปัตยกรรมโมเดล ML ขั้นสูง
โครงข่ายระบบประสาทเทียม
ข้อมูลเบื้องต้นเกี่ยวกับหลักการพื้นฐานของสถาปัตยกรรมโครงข่ายประสาท ซึ่งรวมถึงเพอร์เซปตรอน เลเยอร์ที่ซ่อนอยู่ และฟังก์ชันการเปิดใช้งาน
การฝัง
ดูวิธีที่การฝังช่วยให้คุณทําแมชชีนเลิร์นนิงกับเวกเตอร์ฟีเจอร์ขนาดใหญ่ได้
ใหม่
โมเดลภาษาขนาดใหญ่
ข้อมูลเบื้องต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่ ตั้งแต่โทเค็นไปจนถึง Transformers ดูข้อมูลเบื้องต้นเกี่ยวกับวิธีที่ LLM เรียนรู้ที่จะคาดเดาเอาต์พุตข้อความ รวมถึงวิธีออกแบบและฝึก LLM
ML ในชีวิตจริง
โมดูลเหล่านี้ครอบคลุมถึงข้อควรพิจารณาที่สำคัญเมื่อสร้างและนำโมเดล ML ไปใช้จริง รวมถึงแนวทางปฏิบัติแนะนำในการใช้งานจริง ระบบอัตโนมัติ และวิศวกรรมอย่างมีความรับผิดชอบ
ระบบ ML เวอร์ชันที่ใช้งานจริง
ดูวิธีการทำงานของระบบเวอร์ชันที่ใช้งานจริงของแมชชีนเลิร์นนิงในคอมโพเนนต์ต่างๆ
ความยุติธรรมของ ML
ดูหลักการและแนวทางปฏิบัติแนะนำในการตรวจสอบความยุติธรรมของโมเดลแมชชีนเลิร์นนิง รวมถึงกลยุทธ์ในการระบุและลดอคติในข้อมูล