W tym rozdziale zdefiniujemy uczenie maszynowe i omówimy jego związek z nauką o danych oraz sztuczną inteligencją. Następnie wyjaśnimy najważniejszy żargon z tej dziedziny i zakończymy omówieniem procesu budowania modeli uczenia maszynowego.

Czym jest uczenie maszynowe?

Generowanie rekomendacji filmowych

Sztuczna inteligencja, nauka o danych i uczenie maszynowe wchodzą do baru...

Co jest prawdą o uczeniu maszynowym?

Koncepcje uczenia maszynowego

Słownik uczenia maszynowego

Uczenie z nadzorem a uczenie bez nadzoru

Proces uczenia maszynowego

Kroki tworzenia modelu

Prawdziwy krok

Znasz już podstawy uczenia maszynowego – czas zagłębić się w temat. Pod koniec tego rozdziału będziesz znać różne typy uczenia maszynowego, a także sposoby oceniania i ulepszania modeli.

Uczenie nadzorowane

Rozgrzewka

Zadania

Klasyfikacja

Regresja

Klasyfikacja czy regresja?

Uczenie bez nadzoru

Nadzorowane

Nienadzorowane

Bez nadzoru ani rusz

Eksploracja klastrów

Ocena wydajności

Prawda

Fałsz

Prawda czy fałsz?

Kraina zamętu

Poprawa wydajności

Opcje

Dostrajanie hiperparametrów

Redukcja wymiarowości

Metody zespołowe

Droga na szczyt jest długa

Eksploracja strojenia hiperparametrów

Modele uczenia maszynowego

W tym rozdziale omówimy uczenie głębokie, zaczynając od sieci neuronowych. Następnie przyjrzymy się dwóm popularnym zastosowaniom uczenia głębokiego: widzeniu komputerowemu i przetwarzaniu języka naturalnego. Kurs zakończymy rozmową o ograniczeniach i zagrożeniach związanych z uczeniem maszynowym.

Uczenie głębokie

Czym jest uczenie głębokie?

Czy powinienem użyć uczenia głębokiego?

Wizja komputerowa

Dane obrazu

Proces działania sieci

Przetwarzanie języka naturalnego

Analiza sentymentu

Klasyfikowanie zadań uczenia maszynowego

Worek słów

Ograniczenia uczenia maszynowego

Czarna skrzynka czy nie?

Wykrywanie uprzedzeń w modelu przewidywania niespłacania kredytów

Gratulacje!

Course Glossary: Understanding Machine Learning

Co kryje się za popularnością uczenia maszynowego? W tym kursie bez pisania kodu poznasz odpowiedzi na pytania, które do tej pory mogły cię powstrzymywać. Praktyczne ćwiczenia pomogą ci przebrnąć przez żargon i zrozumieć, jak ta fascynująca technologia napędza wszystko – od samochodów autonomicznych po spersonalizowane rekomendacje zakupowe w Amazon.

Jak działa uczenie maszynowe, kiedy warto je stosować i czym różni się od sztucznej inteligencji? Odpowiedzi na te pytania znajdziesz w tym kursie. Zdobądź umiejętności w jednej z najbardziej poszukiwanych dziedzin i przekonaj się, że uczenie maszynowe jest dla każdego!

Filmy zawierają transkrypcje na żywo – możesz je wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu odtwarzacza.

Glosariusz kursu znajdziesz po prawej stronie, w sekcji materiałów dodatkowych.

Aby uzyskać punkty CPE, musisz ukończyć kurs i osiągnąć wynik co najmniej 70% w ocenie kwalifikacyjnej. Do oceny możesz przejść, klikając odpowiednią informację po prawej stronie.

<h2>Poznaj podstawy koncepcji uczenia maszynowego</h2> 
Co kryje się za szumem wokół uczenia maszynowego? W tym nietechnicznym kursie dowiesz się wszystkiego, o co zbyt bałeś się zapytać na temat uczenia maszynowego. Nie jest wymagane programowanie.
<br><br>
Poznasz podstawowe, ale kluczowe pojęcia, które pozwolą Ci rozpocząć przygodę z uczeniem maszynowym, a praktyczne ćwiczenia pomogą utrwalić zdobytą wiedzę. Obejmuje to zdobycie zrozumienia wykraczającego poza żargon i nauczenie się, jak ta ekscytująca technologia napędza wszystko — od samochodów autonomicznych po Twoje osobiste sugestie zakupowe w Amazon. 
<br><br>
<h2>Poznaj podstawy uczenia maszynowego</h2> 
Jak działa uczenie maszynowe, kiedy można je stosować i jaka jest różnica między AI a uczeniem maszynowym? Ten kurs obejmuje wszystkie te zagadnienia.
<br><br>
Zaczniesz od zrozumienia, czym jest uczenie maszynowe, poznając jego podstawową definicję oraz związek z data science i sztuczną inteligencją. Następnie zapoznasz się z jego słownictwem i zakończysz na workflow machine learning do budowania modeli.
<br><br>
Kończymy kurs, zagłębiając się bardziej w deep learning. Poznasz dwa popularne zastosowania deep learningu: computer vision i przetwarzanie języka naturalnego (NLP), a także poznasz ograniczenia i zagrożenia związane z machine learningiem.

Dwugodzinny kurs wprowadza w ML: pojęcia, modele, głębokie uczenie.

Wprowadzenie do uczenia maszynowego

Wprowadzenie do uczenia maszynowego bez kodowania.

Podstawy AI

Zrozumienie zagadnień danych

Podczas trenowania drzewa decyzyjnego zmień minimalną liczbę obserwacji wymaganą do utworzenia gałęzi.

Napisz skrypt, który przetestuje 3 różne wartości trzech różnych hiperparametrów modelu SVM i zachowa konfigurację dającą najlepsze wyniki.

W zbiorze danych z sesji biegowych służącym do oceny trwałości bieżni — zawierającym czas trwania, prędkość i nachylenie — usuń kolumnę „calories_burned".

Przeprowadź analizę, aby wyłonić cztery główne cechy zapewniające najlepsze prognozy, i usuń pozostałe.

Użyj najczęściej powtarzającej się prognozy z modeli SVM, K-Means i drzewa decyzyjnego, aby przypisać kategorię do obserwacji.

Użyj średniej prognozy z modeli regresji liniowej, K-Means i drzewa decyzyjnego, aby przypisać kategorię do obserwacji.

Droga na szczyt jest długa

Wprowadzenie do uczenia maszynowego

Interaktywne ćwiczenie praktyczne