Jason DeBoever
Microsoft Senior Product Manager
Twitter- Explore how machine learning differs from traditional software.
- Create and test a machine learning model.
- Load a model and use it with new datasets.
Every Tuesday, 2:00pm-3:30pm PST starting September 14th through November 9th (9 episodes)
Learn Live: Nozioni di base di data science per il Machine Learning
A partire da martedì 14 settembre 2021 (PST), puoi unirti a Jason DeBoever e a Glenn Stephens live su Learn TV ed esplorare questa serie in nove parti "Foundations of data science for machine learning" (Nozioni di base di data science per il Machine Learning). Ogni settimana verranno presentati i moduli di Learn e risponderemo alle tue domande in tempo reale. Dai modelli di Machine Learning classici di base all'analisi dei dati esplorativa e alla personalizzazione delle architetture, verranno presentati in modo guidato contenuti concettuali facili da assimilare e notebook interattivi di Jupyter e potrai imparare i concetti sottostanti e apprendere come creare modelli con gli strumenti di Machine Learning più comuni.
Introduzione all'apprendimento automatico: 14 settembre - Episodio 01 (14:00 - 15:30 ora del Pacifico)
Panoramica generale sul Machine Learning per persone con poca o nessuna conoscenza di informatica e statistica. Verranno illustrati alcuni concetti essenziali, verranno esplorati i dati e verrà illustrato in modo interattivo il ciclo di vita del Machine Learning, usando Python per il training, il salvataggio e l'uso di un modello di Machine Learning come si farebbe nel mondo reale. Contenuto dell'episodio:
Creare modelli di Machine Learning classici con apprendimento supervisionato: 21 settembre - Episodio 02 (14:00 - 15:30 ora del Pacifico)
L'apprendimento supervisionato è una forma di apprendimento automatico in cui un algoritmo apprende da esempi di dati. Andando avanti verrà spiegato come usare l'apprendimento supervisionato per generare automaticamente un modello in grado di eseguire stime sul mondo reale. Verranno illustrate anche le modalità di test di questi modelli e le difficoltà che possono sorgere. Contenuto dell'episodio:
- Define supervised and unsupervised learning.
- Explore how cost functions affect the learning process.
- Discover how models are optimized by gradient descent.
- Experiment with learning rates, and see how they can affect training.
Introduzione ai dati per il Machine Learning: 28 settembre - Episodio 03 (14:00 - 15:30 ora del Pacifico)
La potenza dei modelli di Machine Learning deriva dai dati usati per il training. Attraverso documentazione ed esercizi, viene illustrato come comprendere i dati, come codificarli in modo che il computer possa interpretarli correttamente, come pulirli da errori e vengono forniti suggerimenti che consentono di creare modelli con prestazioni migliori. Contenuto dell'episodio:
- Visualize large datasets with Exploratory Data Analysis (EDA).
- Clean a dataset of errors.
- Predict unknown values using numeric and categorical data.
Training e comprensione dei modelli di regressione nel Machine Learning: 5 ottobre - Episodio 04 (14:00 - 15:30 ora del Pacifico)
La regressione è probabilmente la tecnica di Machine Learning più usata, comunemente alla base di scoperte scientifiche, pianificazione aziendale e analisi del mercato azionario. Questo materiale didattico illustra alcune analisi di regressione comuni, sia semplici che più complesse, e fornisce informazioni dettagliate su come valutare le prestazioni del modello. Contenuto dell'episodio:
- Understand how regression works.
- Work with new algorithms: Linear regression, multiple linear regression, and polynomial regression.
- Understand the strengths and limitations of regression models.
- Visualize error and cost functions in linear regression.
- Understand basic evaluation metrics for regression.
Perfezionare e testare i modelli di Machine Learning: 12 ottobre - Episodio 05 (14:00 - 15:30 ora del Pacifico)
Quando si pensa all'apprendimento automatico, spesso ci si concentra sul processo di training. Una certa preparazione prima di questo processo può non solo velocizzare e migliorare l'apprendimento, ma anche offrire una certa confidenza sull'adeguatezza dei modelli quando devono gestire dati mai visti prima. Contenuto dell'episodio:
- Define feature normalization.
- Create and work with test datasets.
- Articulate how testing models can both improve and harm training.
Creare e comprendere i modelli di classificazione nel Machine Learning: 19 ottobre - Episodio 06 (14:00 - 15:30 ora del Pacifico)
Con il termine classificazione si intende l'assegnazione di elementi a categorie diverse, ma tale termine può essere applicato anche a un processo decisionale automatizzato. In questo articolo vengono presentati i modelli di classificazione tramite la regressione logistica, che rappresentano solo un primo passo verso metodi di classificazione più complessi ed interessanti. Contenuto dell'episodio:
- Discover how classification differs from classical regression.
- Build models that can perform classification tasks.
- Explore how to assess and improve classification models.
Selezionare e personalizzare architetture e iperparametri usando una foresta casuale: 26 ottobre - Episodio 07 (14:00 - 15:30 ora del Pacifico)
I modelli più complessi spesso possono essere personalizzati manualmente per migliorarne l'efficacia. Tramite esercizi e contenuti esplicativi, viene illustrato in che modo la modifica dell'architettura di modelli più complessi può portare a risultati più efficaci. Contenuto dell'episodio:
- Discover new model types– decision trees and random forests.
- Learn how model architecture can affect performance.
- Practice working with hyperparameters to improve training effectiveness.
Matrice di confusione e sbilanciamenti dei dati: 1 novembre - Episodio 08 (14:00 - 15:30 ora del Pacifico)
Come è possibile sapere se un modello è valido o meno per la classificazione dei dati? Il modo in cui i computer valutano le prestazioni del modello può talvolta essere difficilmente comprensibile oppure può comportare una eccessiva semplificazione del comportamento del modello nel mondo reale. Per creare modelli che funzionino in modo soddisfacente, è necessario individuare metodi intuitivi per valutarli e comprendere in che modo queste metriche possono condizionare la percezione. Contenuto dell'episodio:
- Assess performance of classification models.
- Review metrics to improve classification models.
- Mitigate performance issues from data imbalances.
Misurare e ottimizzare le prestazioni dei modelli con le curve ROC e l'area sotto la curva: 9 novembre - Episodio 09 (14:00 - 15:30 ora del Pacifico)
Le curve delle caratteristiche operative del ricevitore (ROC, Receiver Operator Characteristic) sono un modo efficace per valutare e ottimizzare i modelli di classificazione con training. In questo modulo verrà illustrata l'utilità di queste curve tramite contenuto di apprendimento ed esercizi pratici. Contenuto dell'episodio:
- Understand how to create ROC curves.
- Explore how to assess and compare models using these curves.
- Practice fine-tuning a model using characteristics plotted on ROC curves.
I nostri relatori
-
-
Glenn Stephens
Microsoft Senior Content Developer
Twitter
Domande frequenti
Is there a cost to attend the event?
The event is free! You can join Learn TV anytime to stream content for free!
When does the event take place?
Join us every Tuesday, 2:00pm-3:30pm PS=T, starting September 14 through November 9.
Will this event be available on-demand?
Yes! You can stream our past events anytime! Visit Browse all Events to stream anytime.
Where does the event take place?
The Learn Live: Foundations of Data Science for Machine Learning event is virtual! Join us and thousands of others to enjoy the experience from the comfort of your own home, office, or device.
By registering, what communications will I receive?
We will send brief reminders for the event and any event related resources after the event concludes. Your privacy is important to us and we encourage you to review the Microsoft Privacy Statement for additional information.
Codice di comportamento
Il nostro intento è offrire a tutti un'esperienza rispettosa, cordiale e professionale, indipendentemente dal sesso, dall'orientamento sessuale, dall'aspetto fisico, da condizioni di disabilità, dall'età, dalla razza o dalla religione. Non tolleriamo alcun comportamento che sia degradante in relazione a qualsiasi genere, razza, orientamento sessuale o disabilità, né comportamenti ritenuti molesti o discriminanti. I singoli utenti sono responsabili di informarsi sui nostri standard e di rispettarli e incoraggiamo tutti a collaborare per la creazione di un ambiente accogliente e sicuro. Inoltre, ci impegniamo a trattare il nostro pianeta condiviso con lo stesso rispetto. Vi preghiamo di comunicare con il team organizzativo per qualsiasi domanda o preoccupazione oppure per segnalare eventuali attività o comportamenti impropri, in modo da poter risolvere immediatamente il problema.