Makine öğrenmesi için veri bilimini anlama
Microsoft Learn, klasik makine öğrenmesine giriş yapmak için çeşitli etkileşimli yollar sağlar. Bu öğrenme yolları, kendi başlarına üretken çalışmanızı sağlar ve derin öğrenme konularına geçmek için de mükemmel bir temel oluşturur.
En temel klasik makine öğrenmesi modellerinden keşif veri analizine ve mimarileri özelleştirmeye kadar, tarayıcınızdan çıkmadan kolay anlaşılır kavramsal içerik ve etkileşimli Jupyter not defterleri size yol gösterir.
Eğitim arka planınıza ve ilgi alanlarınıza bağlı olarak kendi yolunuzu seçin.
1. Seçenek: Kursun tamamı: Makine öğrenmesi için veri biliminin temelleri
Bu yol çoğu kişi için önerilir. Kavramların pekiştiricisini en üst düzeye çıkaran özel bir akışa sahip diğer iki öğrenme yolu ile aynı modüllerin tümüne sahiptir. Hem temel kavramlar hem de en yaygın makine öğrenmesi araçlarıyla model oluşturmaya nasıl giriş yapılacağını öğrenmek istiyorsanız bu yol sizin için. Klasik makine öğrenmesinin ötesine geçmeyi ve derin öğrenme ve sinir ağlarında eğitim almayı planlıyorsanız da en iyi yoldur. Bu yalnızca burada tanıtıyoruz.
✔ 2. Seçenek: Makine öğrenmesi için veri bilimini anlama öğrenme yolu
Makine öğrenmesi'nin nasıl çalıştığını anlamak istiyorsanız ve çok fazla matematiksel arka planınız yoksa bu yol tam size göre. Önceki eğitim hakkında hiçbir varsayımda bulunmaz (kodlama kavramlarına ilişkin hafif bir bilgi dışında) ve size ah ha anı kazandıran kod, metafor ve görselle öğretir. Uygulamalı bir uygulamadır, ancak temel bilgileri anlamaya daha fazla odaklanır ve kullanılabilir araçların ve kitaplıkların gücüne daha az odaklanır.
✔ Şu anda bu yoldasınız, başlamak için aşağı kaydırın.
3. Seçenek: Makine öğrenmesi modelleri oluşturma öğrenme yolu
Makine öğrenmesinin ne hakkında olduğu hakkında zaten bir fikriniz varsa veya güçlü bir matematiksel arka planınız varsa, makine öğrenmesi modelleri oluşturma öğrenme yoluna doğrudan geçmekten keyif alabilirsiniz. Bu modüller bazı makine öğrenmesi kavramlarını öğretir, ancak scikit-learn, TensorFlow ve PyTorch gibi araçları kullanma gücüne ulaşmak için hızlı hareket eder. Azure ML veya Azure Databricks gibi ürünlere yönelik makine öğrenmesi örneklerini anlamak için yeterli bilgi edinmek istiyorsanız bu öğrenme yolu sizin için de en iyisidir.
Önkoşullar
Hiçbiri
Başarı Kodu
Başarı kodu talep etmek ister misiniz?
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. Gerçek dünyada olduğu gibi makine öğrenmesi modelini eğitmek, kaydetmek ve kullanmak için Python kullanarak bazı temel kavramlara giriş, verileri keşfetme ve makine öğrenmesi yaşam döngüsünü etkileşimli olarak inceleme.
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 edildiklerine ve eğitimde ortaya çıkabilecek zorluklara değiniyoruz.
Makine öğrenmesi modellerinin gücü, bunları eğitmek için kullanılan verilerden gelir. İçerik ve alıştırmalar aracılığıyla verilerinizi nasıl anlayacağınızı, bilgisayarın düzgün yorumlayabilmesi için kodlamayı, hataları temizlemeyi ve yüksek performanslı modeller oluşturmanıza yardımcı olacak ipuçlarını keşfedeceğiz.
Regresyon, muhtemelen en yaygın olarak kullanılan makine öğrenmesi tekniğidir. Yaygın olarak bilimsel keşiflerin, iş planlamanın ve borsa analizinin temelinde kullanılır. Bu öğrenme malzemeleri hem basit hem de daha karmaşık olan bazı yaygın regresyon analizlerini inceler ve model performansını değerlendirmeye ilişkin bazı içgörüler sağlar.
Makine öğrenmesi dendiğinde genelde eğitim sürecine odaklanırız. Bu işlemden önce küçük bir hazırlık miktarı yalnızca öğrenmeyi hızlandırmak ve geliştirmekle kalmaz, aynı zamanda modellerimizin daha önce hiç görmediğimiz verilerle karşılaştığında ne kadar iyi çalışacağı konusunda bize biraz güven verir.
Sınıflandırma, öğeleri kategorilere atamak anlamına gelir veya otomatik karar alma düşünülebilir. Burada lojistik regresyon aracılığıyla sınıflandırma modellerini tanıtarak daha karmaşık ve heyecan verici sınıflandırma yöntemlerine doğru adım adım ilerlemeniz sağlıyoruz.
Daha karmaşık modeller genellikle daha etkili olması 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.