Khoá học học máy ứng dụng
Phần giới thiệu nhanh và thiết thực của Google về học máy, bao gồm một loạt video ảnh động, hình ảnh trực quan tương tác và bài tập thực hành.
Hơn 100 bài tập
12 mô-đun
15 giờ
Video giải thích các khái niệm về học máy
Ví dụ thực tế
Hình ảnh trực quan tương tác
Khoá học học máy ứng dụng có gì mới?
Kể từ năm 2018, hàng triệu người trên khắp thế giới đã dựa vào khoá học Học máy ứng dụng để tìm hiểu cách hoạt động của công nghệ học máy và cách công nghệ này có thể giúp ích cho họ. Chúng tôi rất vui mừng được thông báo về việc ra mắt phiên bản mới của MLCC, bao gồm các tiến bộ gần đây trong AI, tập trung nhiều hơn vào việc học tương tác. Xem video này để tìm hiểu thêm về MLCC mới và cải tiến.
Mô-đun khoá học
Mỗi mô-đun trong khoá học Học máy ứng dụng đều độc lập. Vì vậy, nếu đã có kinh nghiệm về học máy, bạn có thể chuyển thẳng đến các chủ đề mà mình muốn tìm hiểu. Nếu mới làm quen với học máy, bạn nên hoàn thành các mô-đun theo thứ tự dưới đây.
Mô hình học máy
Các mô-đun này trình bày các kiến thức cơ bản về cách xây dựng mô hình hồi quy và phân loại.
Hồi quy tuyến tính
Giới thiệu về hồi quy tuyến tính, bao gồm các mô hình tuyến tính, tổn thất, độ dốc giảm dần và điều chỉnh tham số siêu dữ liệu.
Hồi quy logistic
Giới thiệu về hồi quy logistic, trong đó các mô hình máy học được thiết kế để dự đoán xác suất của một kết quả nhất định.
Phân loại
Giới thiệu về các mô hình phân loại nhị phân, bao gồm ngưỡng, ma trận nhầm lẫn và các chỉ số như độ chính xác, độ chính xác, tỷ lệ thu hồi và AUC.
Dữ liệu
Các mô-đun này đề cập đến các kỹ thuật cơ bản và phương pháp hay nhất để xử lý dữ liệu học máy.
Làm việc với dữ liệu số
Tìm hiểu cách phân tích và chuyển đổi dữ liệu số để giúp đào tạo mô hình học máy hiệu quả hơn.
Làm việc với dữ liệu phân loại
Tìm hiểu kiến thức cơ bản về cách xử lý dữ liệu phân loại: cách phân biệt dữ liệu phân loại với dữ liệu số; cách biểu thị dữ liệu phân loại theo số bằng cách sử dụng phương thức mã hoá một chiều, băm đặc điểm và mã hoá trung bình; cũng như cách thực hiện phép lai đặc điểm.
Tập dữ liệu, khái quát hoá và điều chỉnh quá mức
Giới thiệu về các đặc điểm của tập dữ liệu học máy và cách chuẩn bị dữ liệu để đảm bảo kết quả chất lượng cao khi huấn luyện và đánh giá mô hình.
Mô hình học máy nâng cao
Các mô-đun này bao gồm các cấu trúc mô hình học máy nâng cao.
Mạng nơron
Giới thiệu về các nguyên tắc cơ bản của cấu trúc mạng nơron, bao gồm cả perceptron, lớp ẩn và hàm kích hoạt.
Nhúng
Tìm hiểu cách các tính năng nhúng cho phép bạn học máy trên các vectơ đặc điểm lớn.
Mới
Mô hình ngôn ngữ lớn
Giới thiệu về các mô hình ngôn ngữ lớn, từ mã thông báo đến mô hình Biến đổi. Tìm hiểu kiến thức cơ bản về cách LLM học để dự đoán đầu ra văn bản, cũng như cách thiết kế và huấn luyện LLM.
Học máy trong thực tế
Các mô-đun này đề cập đến những điểm cần cân nhắc quan trọng khi xây dựng và triển khai mô hình học máy trong thực tế, bao gồm cả các phương pháp hay nhất để đưa vào sản xuất, tự động hoá và kỹ thuật có trách nhiệm.
Hệ thống học máy chính thức
Tìm hiểu cách hệ thống sản xuất máy học hoạt động trên nhiều thành phần.
Tính công bằng trong học máy
Tìm hiểu các nguyên tắc và phương pháp hay nhất để kiểm tra tính công bằng của mô hình học máy, bao gồm cả các chiến lược để xác định và giảm thiểu sự thiên vị trong dữ liệu.