Makine öğrenmesi için veri bilimlerini anlama

Başlangıç
Yapay Zeka Mühendisi
Veri Bilimcisi
Geliştirici
Öğrenci
Azure

Microsoft Learn, klasik makine öğrenimine giriş yapmak için çeşitli etkileşimli yollar sağlar. Bu öğrenme yolları kendi başına üretken çalışmanızı sağlar ve derin öğrenme konularına ilerlemek için harika bir temel sağlar.

En temel klasik makine öğrenmesi modellerinden keşif veri analizine ve mimarileri özelleştirmeye kadar her şey tarayıcınızdan ayrılmadan kavramsal içeriği ve etkileşimli Jupyter not defterlerini kolayca özetlersiniz.

Eğitim geçmişinize ve ilgi alanlarınıza bağlı olarak kendi yolunuz seçin.

1. Seçenek: Eksiksiz kurs: Makine öğrenmesi için veri biliminin temelleri

Bu yol çoğu kişi için önerilir. Kavramlarla pekiştirerek en üst düzeye çıkaran özel bir akışla diğer iki öğrenme yolu ile aynı modülleri içerir. Hem temel alınan kavramlar hem de en yaygın makine öğrenmesi araçlarıyla model oluşturmak için bu yolu kullanabilirsiniz. Klasik makine öğrenmesi ötesine geçerek derin öğrenme ve sinir ağlarında eğitim almak için de en iyi yoldur. Bu, burada yalnızca burada tanıtıyoruz.

✔ Seçenek 2: Makine öğrenmesi için veri bilimi öğrenme yolunu anlama

Makine öğrenmesi'nin nasıl çalıştığını ve çok fazla matematiksel arka planı olmadığını anlamak için bu yol size uygun. Önceki eğitimle ilgili varsayımlarda bulunarak (kodlama kavramlarına aşina olmak dışında) ve size biraz zaman veren kod, metafor ve görsel öğretmez. Bu, el ile uzıyor ancak temelleri anlamaya ve mevcut araçların ve kitaplıkların gücüne daha az odaklanıyor.

✔ şu anda bu yoldasın, başlamak için ekranı aşağı kaydırın.

3. Seçenek: Makine öğrenmesi modelleri oluşturma öğrenme yolu

Makine öğrenmesi hakkında zaten bir fikir varsa veya güçlü bir matematik arka planınız varsa, en iyi şekilde Machine Learning Modelleri Oluşturma öğrenme yoluna atlamaktan keyif alasiniz. Bu modüller bazı makine öğrenmesi kavramlarını öğretir, ancak hızlı bir şekilde hareket eder ve scikit-learn, TensorFlow ve PyTorch gibi araçları kullanma gücü elde eder. Azure ML veya Azure Databricks gibi ürünler için makine öğrenmesi örneklerini anlamak için yeterli bilgi arıyorsanız bu öğrenme yolu sizin için en ML Azure Databricks.

Önkoşullar

Hiçbiri

Bu öğrenme yolundaki modüller

Bilgisayar bilimi ve istatistik konusunda çok az bilgisi olan veya hiç bilgisi olmayan kişiler için makine öğrenmesine üst düzey bir genel bakış. Bazı temel kavramlar hakkında bilgi alıcaz, verileri keşfeder ve makine öğrenmesi yaşam döngüsünü etkileşimli bir şekilde incelersiniz. Python'ı kullanarak gerçek dünyada olduğu gibi bir makine öğrenmesi modelini eğitin, kaydedin ve kullanın.

Denetimli öğrenme, bir algoritmanın veri örneklerini inceleyerek öğrendiği bir makine öğrenmesi biçimidir. Denetimli öğrenmenin nasıl gerçek dünya hakkında bulunabilen bir modeli otomatik olarak oluşturabileceğini aşamalı olarak gösteriyoruz. Ayrıca bu modellerin nasıl test edildiklerinden ve eğitme konusunda ortaya çıkabilecek zorluklardan da bahsediyoruz.

Makine öğrenimi modellerinin gücü, bunları eğitmek için kullanılan verilerden gelir. İçerik ve alıştırmalarda, verilerinizi nasıl anlayacağınızı, bilgisayarın düzgün bir şekilde yorumlayabilmesini, hatalardan nasıl temizleyebileceğini ve iyi bir performans sağlayan modeller oluşturmanıza yardımcı olacak ipuçları.

Regresyon muhtemelen en yaygın olarak kullanılan makine öğrenmesi tekniğidir. Yaygın olarak bilimsel keşiflerin, iş planlamanın ve borsa analizinin temel alınarak kullanılmaktadır. Bu öğrenme malzemeleri hem basit hem de daha karmaşık olan bazı yaygın regresyon analizlerini inceler ve model performansını değerlendirmeye ilişkin bazı içgörüler sağlar.

Makine öğrenimini düşünürken, genellikle eğitim işlemine odaklanıyoruz. Bu işlemden önce kısa bir hazırlık miktarı, daha önce hiç görtiğimiz verilerle karşılaşmadan daha fazla bilgi sahibi olmak için bu işlemden önce daha fazla bilgi verir.

Sınıflandırma, öğeleri kategorilere atama anlamına gelir veya otomatik karar verme de düşünebilirsiniz. Burada lojistik regresyon aracılığıyla sınıflandırma modellerini tanıtarak daha karmaşık ve heyecan verici sınıflandırma yöntemlerine doğru adım adım ilerlemeniz sağlıyoruz.

Daha karmaşık modeller genellikle, ne kadar etkili olduğunu geliştirmek için el ile özelleştirilebilir. Alıştırmalar ve açıklayıcı içerikler aracılığıyla, daha karmaşık modellerin mimarisinin değiştirilmesinin nasıl daha etkili sonuçlar elde edilmesini sağladığını keşfedeceğiz.

Bir modelin verilerimizi sınıflandırmada iyi mi yoksa kötü mü olduğunu nasıl anlarız? Bilgisayarların model performansını değerlendirme biçimini anlamak bizim için bazen zor olabilir veya modelin gerçek dünyada nasıl davranacağını aşırı basitleştirebilir. Tatmin edici bir şekilde çalışacak modeller oluşturmak için bunları değerlendirmenin sezgisel yollarını bulmamız ve bu ölçümlerin görünümü nasıl sapmaya neden olduğunu anlamamız gerekir.

Alıcı işleci özellik eğrileri, eğitilen sınıflandırma modellerini değerlendirmenin ve hassas ayarlamanın güçlü bir yoludur. Öğrenme içeriği ve pratik alıştırmalar aracılığıyla bu eğrilerin kullanımını anlatıp açıklarız.