Inleiding tot end-to-end machine learning

Duik in de wereld van machine learning en ontdek hoe je end-to-end-modellen kunt ontwerpen, trainen en implementeren met deze uitgebreide cursus. Met leuke, echte voorbeelden en praktische oefeningen leer je om complexe dataproblemen aan te pakken en krachtige ML-modellen te bouwen. Aan het einde van deze cursus heb je de vaardigheden die je nodig hebt om goed werkende modellen te maken, te controleren en te onderhouden die bruikbare inzichten opleveren. Geef je kennis over machine learning een boost met deze complete, praktische cursus en word een echte ML-expert!

Evalueer en verbeter je model

Begin met het leren van de basis van verkennende data-analyse (EDA) en het klaarmaken van data - je gaat je data opschonen en voorbewerken, zodat ze klaar zijn voor het trainen van modellen. Leer vervolgens de kunst van feature engineering en selectie onder de knie te krijgen om je modellen te optimaliseren voor uitdagingen in de praktijk; leer hoe je de Boruta-bibliotheek kunt gebruiken voor featureselectie, log experimenten met MLFlow en verfijn je modellen met behulp van k-fold cross-validatie. Ontdek de geheimen van goede foutstatistieken en ontdek overfitting, zodat je modellen goed werken.

Je model inzetten en checken

Je gaat ook kijken naar hoe belangrijk feature stores en modelregisters zijn in end-to-end ML-frameworks. Leer hoe je je model kunt inzetten en de prestaties ervan in de loop van de tijd kunt volgen met Docker en AWS. Begrijp het idee van datadrift en hoe je dit kunt ontdekken met statistische tests. Zet feedbackloops, hertraining en labelstrategieën in om je modellen goed te laten werken, ook als de data steeds veranderen.

Deze cursus geeft je praktische vaardigheden die je meteen kunt gebruiken in een baan als datawetenschapper of machine learning-ingenieur. Je leert modellen ontwerpen, implementeren en onderhouden; dit zijn belangrijke vaardigheden om de zakelijke impact van machine learning-oplossingen te vergroten.

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

Confusion matrices begrijpen

End-to-End Machine Learning

Praktische interactieve oefening