机器学习的艺术和科学 – 德语版

课程概况

Willkommen im Kurs zur Kunst und Wissenschaft des maschinellen Lernens. In diesem Kurs eignen Sie sich die grundlegenden Kompetenzen rund um ML, gutes Urteilsvermögen und Experimentierfreudigkeit an, die für die Feinabstimmung und Optimierung Ihres ML-Modells für bestmögliche Leistung erforderlich sind.

Außerdem informieren wir Sie über die zahlreichen Optimierungsmittel, die beim Trainieren eines Modells ins Spiel kommen. Sie werden diese zuerst manuell anpassen, um ihre Auswirkung auf die Leistung zu beobachten. Sobald Sie mit den Optimierungsmitteln – auch bekannt als Hyperparameter – vertraut sind, lernen Sie, wie Sie diese automatisch mithilfe der Cloud Machine Learning Engine auf der Google Cloud Platform anpassen können.

课程大纲

Einführung

Überblick über den Kurs mit Informationen zu den wesentlichen Zielen und Modulen. Zuerst erfahren Sie mehr über die Aspekte des maschinellen Lernens, für die eine gewisse Intuition, ein gutes Urteilsvermögen und Experimentierfreudigkeit erforderlich sind. Wir nennen das die Kunst des maschinellen Lernens. Außerdem informieren wir Sie über die zahlreichen Optimierungsmittel, die beim Trainieren eines Modells ins Spiel kommen. Sie werden diese manuell anpassen, um ihre Auswirkung auf die Leistung zu beobachten.

Die Kunst des maschinellen Lernens

In diesem Kurs erhalten Sie Informationen zur Kunst des maschinellen Lernens. Wir besprechen Aspekte des maschinellen Lernens, die Intuition, Urteilsvermögen und Experimentierfreudigkeit erfordern, um die richtige Balance zu finden und zu ermitteln, was tauglich ist. (So viel dürfen wir schon verraten: Perfekt wird es niemals sein!)

Hyperparameter-Abstimmung

In diesem Modul lernen Sie, wie Sie zwischen Parametern und Hyperparametern unterscheiden. Dann besprechen wir den traditionellen Rastersuchansatz und lernen, wie wir mit intelligenteren Algorithmen über diesen hinausgehen können. Abschließend erfahren Sie, wie Sie mit Cloud ML Engine die Hyperparameter-Abstimmung automatisieren.

Ein bisschen Wissenschaft

In diesem Modul führen wir langsam die Wissenschaft neben der Kunst des maschinellen Lernens ein. Zuerst sprechen wir über die Durchführung der Regularisierung für Dichte, sodass wir einfachere, prägnantere Modelle erhalten. Dann sprechen wir über die logistische Regression und lernen, wie wir die Leistung ermitteln.

Die Wissenschaft neuronaler Netzwerke

In diesem Modul befassen wir uns intensiv mit der Wissenschaft, insbesondere im Hinblick auf neuronale Netzwerke.

Einbettungen

In diesem Modul lernen Sie, wie Sie Einbettungen für die Verwaltung von Sparse-Daten verwenden können, damit ML-Modelle, die Sparse-Daten nutzen, weniger Speicher verbrauchen und schneller trainiert werden können. Einbettungen sind auch eine Möglichkeit für die Dimensionsreduktion und dementsprechend eine Möglichkeit, Modelle einfacher und besser verallgemeinerbar zu machen.

Benutzerdefinierter Estimator

In diesem Modul gehen wir über die Verwendung vorgefertigter Estimatoren hinaus und schreiben einen benutzerdefinierten Estimator. Dadurch erhalten Sie mehr Kontrolle über die Modellfunktion selbst.

Zusammenfassung

Sie wiederholen die Schlüsselkonzepte, die wir im Kurs zur Kunst und Wissenschaft des maschinellen Lernens behandelt haben.