|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/launching-machine-learning-br
课程评论：没有评论
课程名称：开启机器学习之旅（葡萄牙语） 课程概述：本课程从机器学习的历史开始，讨论为何神经网络在许多数据科学问题中如此有效。接着，我们将定义一个监督学习问题，并通过梯度下降法找到合适的解决方案。这包括创建能够实现泛化的数据集。我们还将讨论进行实验时所需的可重复方法，以及如何有效执行这些方法。 课程目标： - 理解为何深度学习在当今成为常态 - 使用损失函数和性能指标来优化和评估模型 - 缓解机器学习中常见的问题 - 创建可重复且可扩展的训练、评估和测试数据集 课程大纲： 1. **介绍**：本模块提供了课程的总体概述和目标。 2. **了解数据：使用探索性分析改善数据**：本模块展示如何提高数据质量，并进行探索性分析，强调数据组织对机器学习的重要性，包括缺失值对结果的影响。 3. **机器学习实践**：介绍主要的机器学习类型，帮助您加速在ML领域的职业发展。 4. **使用Vertex AI训练AutoML模型**：展示如何使用Vertex AI进行AutoML模型的训练。 5. **BigQuery的机器学习：在数据所在处开发ML模型**：介绍BigQuery ML及其功能。 6. **优化**：展示如何优化机器学习模型。 7. **泛化与抽样**：探讨何时更精准的机器学习模型并不一定是最佳选择，学习创建可重复的训练、评估和测试数据集，并建立市场性能的比较。 8. **总结**：本模块对“开启机器学习之旅”课程进行总结。 该课程旨在提升对机器学习的理解和实践能力，适合希望在该领域深入发展的学习者。
Name:Introdução
Description:Neste módulo, apresentamos uma visão geral do curso e dos objetivos.
Name:Conheça seus dados: use a análise exploratória para melhorar os dados
Description:Neste módulo, vamos mostrar como melhorar a qualidade dos dados e como fazer uma análise exploratória deles. Vamos analisar a importância da organização de dados no machine learning e mostrar como isso impacta a qualidade dos dados. Por exemplo, valores em falta podem distorcer os resultados. Você também vai aprender a importância da exploração de dados. Assim que os dados estiverem organizados, você vai fazer a análise exploratória no conjunto de dados.
Name:Machine learning na prática
Description:Neste módulo, vamos apresentar alguns dos principais tipos de machine learning para que você acelere seu crescimento como profissional de ML.
Name:Como treinar modelos de AutoML usando a Vertex AI
Description:Neste módulo, vamos apresentar o treinamento de modelos do AutoML usando a Vertex AI.
Name:Machine learning do BigQuery: desenvolva modelos de ML onde seus dados estão
Description:Neste módulo, vamos apresentar o BigQuery ML e os recursos dessa ferramenta.
Name:Otimização
Description:Neste módulo, vamos mostrar como otimizar os modelos de ML.
Name:Generalização e amostragem
Description:Agora é hora de responder a uma pergunta bem peculiar: em que momento o modelo de ML mais preciso pode não ser a escolha certa? Como sugerimos no último módulo sobre otimização, o fato de um modelo ter uma métrica de perda igual a 0 no seu conjunto de dados de treinamento não significa que ele vai ter um bom desempenho em dados novos no mundo real. Você vai aprender a criar conjuntos de dados repetíveis de treinamento, avaliação e teste e a estabelecer comparativos de mercado de desempenho.
Name:Resumo
Description:Este módulo é um resumo do curso Launching into Machine Learning
Começando pela história do machine learning, vamos discutir por que as redes neurais hoje funcionam com vários problemas de ciência de dados. Depois vamos definir um problema de aprendizado supervisionado e descobrir uma boa solução usando o gradiente descendente. Isso envolve criar conjuntos de dados que permitem generalização. Vamos falar sobre os métodos que devemos usar para fazer isso de modo repetível e que viabilize a experimentação. Objetivos do curso: Identificar por que o aprendizado profundo é comum atualmente Otimizar e avaliar os modelos usando funções de perda e métricas de desempenho Mitigar problemas comuns que surgem no machine learning Criar conjuntos de dados de treinamento, avaliação e teste repetíveis e escalonáveis
