Introduzione all'apprendimento automatico end-to-end

Immergiti nel mondo dell'apprendimento automatico e scopri come progettare, addestrare e implementare modelli end-to-end con questo corso completo. Grazie a esempi pratici e coinvolgenti e a esercizi pratici, imparerai ad affrontare problemi complessi legati ai dati e a creare modelli di ML efficaci. Alla fine di questo corso, avrai tutte le competenze che ti servono per creare, controllare e mantenere modelli super efficaci che ti danno informazioni utili. Trasforma le tue competenze nel machine learning con questo corso completo e pratico e diventa un professionista del ML a tutto tondo!

Valuta e migliora il tuo modello

Inizia imparando le basi dell'analisi esplorativa dei dati (EDA) e della preparazione dei dati: pulirai e pre-elaborerai i tuoi dati, assicurandoti che siano pronti per l'addestramento del modello. Poi, impara bene come lavorare con le caratteristiche e selezionarle per ottimizzare i tuoi modelli per le sfide del mondo reale; scopri come usare la libreria Boruta per la selezione delle caratteristiche, registra gli esperimenti con MLFlow e aggiusta i tuoi modelli usando la validazione incrociata k-fold. Scopri i segreti delle metriche di errore efficaci e diagnostica l'overfitting, preparando i tuoi modelli al successo.

Distribuisci e controlla il tuo modello

Scoprirai anche quanto sono importanti i feature store e i model registry nei framework ML end-to-end. Scopri come implementare e monitorare le prestazioni del tuo modello nel tempo usando Docker e AWS. Capire cos'è la deriva dei dati e come individuarla usando test statistici. Usa feedback, aggiornamenti e strategie di etichettatura per mantenere i tuoi modelli al top anche con dati che cambiano di continuo.

Questo corso ti darà le competenze pratiche che ti servono per lavorare come data scientist o ingegnere di machine learning, permettendoti di progettare, implementare e mantenere modelli; competenze fondamentali per sfruttare al meglio l'impatto delle soluzioni di machine learning sul business.

	Actual positive	Actual negative
Predicted positive	30	10
Predicted negative	20	50

Capire le matrici di confusione

Machine Learning end-to-end

Esercizio pratico interattivo