หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิง

บทนำเรื่องแมชชีนเลิร์นนิงแบบกระชับแต่ใช้ได้จริงของ Google ซึ่งประกอบด้วยชุดวิดีโอภาพเคลื่อนไหว ภาพอินเทอร์แอกทีฟ และแบบฝึกหัดแบบลงมือปฏิบัติ
เริ่มหลักสูตรเร่งรัด เรียกดูโมดูลหลักสูตร ดูข้อกําหนดเบื้องต้น ศูนย์ช่วยเหลือ
ตั้งแต่ปี 2018 ผู้คนหลายล้านคนทั่วโลกได้ดูหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงเพื่อเรียนรู้วิธีการทํางานของแมชชีนเลิร์นนิง และวิธีที่แมชชีนเลิร์นนิงจะทํางานให้พวกเขาได้ เรายินดีที่จะประกาศเปิดตัว MLCC เวอร์ชันปรับปรุงใหม่ซึ่งครอบคลุมความก้าวหน้าล่าสุดของ AI โดยมุ่งเน้นที่การเรียนรู้แบบอินเทอร์แอกทีฟมากขึ้น ดูวิดีโอนี้เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับ MLCC เวอร์ชันใหม่ที่ได้รับการปรับปรุง

โมดูลหลักสูตร

แต่ละโมดูลในหลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงจะแยกกันต่างหาก ดังนั้นหากคุณมีประสบการณ์ด้านแมชชีนเลิร์นนิงมาก่อน ก็สามารถข้ามไปยังหัวข้อที่ต้องการเรียนรู้ได้โดยตรง หากคุณเพิ่งเริ่มศึกษาเกี่ยวกับแมชชีนเลิร์นนิง เราขอแนะนำให้คุณศึกษาโมดูลตามลำดับด้านล่าง

โมเดล ML

โมดูลเหล่านี้ครอบคลุมพื้นฐานในการสร้างโมเดลการถดถอยและการแยกประเภท

ข้อมูลเบื้องต้นเกี่ยวกับวิธีการหาค่าประมาณเชิงเส้น ซึ่งครอบคลุมโมเดลเชิงเส้น, ค่า Loss, การลดเชิงลาด และการปรับแต่งไฮเปอร์พารามิเตอร์
ข้อมูลเบื้องต้นเกี่ยวกับการถดถอยแบบโลจิสติก ซึ่งโมเดล ML ได้รับการออกแบบมาเพื่อคาดการณ์ความน่าจะเป็นของผลลัพธ์หนึ่งๆ
ข้อมูลเบื้องต้นเกี่ยวกับโมเดลการจัดประเภทแบบไบนารี ซึ่งครอบคลุมเกณฑ์ เมทริกซ์ความสับสน และเมตริกต่างๆ เช่น ความแม่นยำ ความแม่นยำ ความแม่นยำในการเรียกคืน และ AUC

ข้อมูล

โมดูลเหล่านี้ครอบคลุมเทคนิคพื้นฐานและแนวทางปฏิบัติแนะนำสำหรับการทำงานกับข้อมูลแมชชีนเลิร์นนิง

ดูวิธีวิเคราะห์และเปลี่ยนรูปแบบข้อมูลตัวเลขเพื่อช่วยฝึกโมเดล ML ได้อย่างมีประสิทธิภาพมากขึ้น
ดูพื้นฐานของการใช้ข้อมูลเชิงหมวดหมู่ ได้แก่ วิธีแยกแยะข้อมูลเชิงหมวดหมู่จากข้อมูลเชิงตัวเลข วิธีแสดงข้อมูลเชิงหมวดหมู่เป็นตัวเลขโดยใช้การเข้ารหัสที่มี 1 เพียงตัวเดียว การแฮชฟีเจอร์ และการเข้ารหัสค่าเฉลี่ย และวิธีทำการครอสฟีเจอร์
ข้อมูลเบื้องต้นเกี่ยวกับลักษณะของชุดข้อมูลแมชชีนเลิร์นนิง และวิธีเตรียมข้อมูลเพื่อให้ได้ผลลัพธ์ที่มีคุณภาพสูงเมื่อฝึกและประเมินโมเดล

โมเดล ML ขั้นสูง

โมดูลเหล่านี้ครอบคลุมสถาปัตยกรรมโมเดล ML ขั้นสูง

ข้อมูลเบื้องต้นเกี่ยวกับหลักการพื้นฐานของสถาปัตยกรรมโครงข่ายประสาท ซึ่งรวมถึงเพอร์เซปตรอน เลเยอร์ที่ซ่อนอยู่ และฟังก์ชันการเปิดใช้งาน
ดูวิธีที่การฝังช่วยให้คุณทําแมชชีนเลิร์นนิงกับเวกเตอร์ฟีเจอร์ขนาดใหญ่ได้
ใหม่
ข้อมูลเบื้องต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่ ตั้งแต่โทเค็นไปจนถึง Transformers ดูข้อมูลเบื้องต้นเกี่ยวกับวิธีที่ LLM เรียนรู้ที่จะคาดเดาเอาต์พุตข้อความ รวมถึงวิธีออกแบบและฝึก LLM

ML ในชีวิตจริง

โมดูลเหล่านี้ครอบคลุมถึงข้อควรพิจารณาที่สำคัญเมื่อสร้างและนำโมเดล ML ไปใช้จริง รวมถึงแนวทางปฏิบัติแนะนำในการใช้งานจริง ระบบอัตโนมัติ และวิศวกรรมอย่างมีความรับผิดชอบ

ดูวิธีการทำงานของระบบเวอร์ชันที่ใช้งานจริงของแมชชีนเลิร์นนิงในคอมโพเนนต์ต่างๆ
ใหม่
ดูหลักการและแนวทางปฏิบัติแนะนำในการใช้แมชชีนเลิร์นนิงอัตโนมัติ
ดูหลักการและแนวทางปฏิบัติแนะนำในการตรวจสอบความยุติธรรมของโมเดลแมชชีนเลิร์นนิง รวมถึงกลยุทธ์ในการระบุและลดอคติในข้อมูล