Launching into Machine Learning - Italiano

Overview

Class Central Tips

Il corso inizia con una discussione sui dati: come migliorare la qualità dei dati ed eseguire analisi esplorative dei dati. Descriveremo Vertex AI AutoML e come creare, addestrare ed eseguire il deployment di un modello di ML senza scrivere una sola riga di codice. Comprenderai i vantaggi di Big Query ML. Discuteremo quindi di come ottimizzare un modello di machine learning (ML) e di come la generalizzazione e il campionamento possano aiutare a valutare la qualità dei modelli di ML per l'addestramento personalizzato.

Syllabus

Introduzione

Questo modulo fornisce una panoramica del corso e dei suoi obiettivi.

Scopri i tuoi dati - Migliora i dati attraverso l'analisi esplorativa dei dati

In questo modulo vedremo come migliorare la qualità dei dati ed esplorare i dati eseguendo analisi esplorative. Analizzeremo l'importanza di avere dati ordinati nel machine learning, mostrando in che modo questo aspetto influisce sulla qualità dei dati. Ad esempio, l'assenza di valori può distorcere i risultati. Scoprirai anche l'importanza dell'esplorazione dei dati. Dopo aver ordinato i dati, eseguirai un'analisi esplorativa del set di dati.

Machine learning in pratica

In questo modulo introdurremo alcuni dei principali tipi di machine learning, così potrai accelerare la tua crescita come professionista del ML.

Addestramento di modelli AutoML utilizzando Vertex AI

In questo modulo introdurremo l'addestramento dei modelli AutoML utilizzando Vertex AI.

BigQuery Machine Learning - Sviluppo di modelli di ML in cui si trovano i dati

In questo modulo presenteremo BigQuery ML e le sue funzionalità.

Ottimizzazione

In questo modulo ti spiegheremo come ottimizzare i tuoi modelli di ML.

Generalizzazione e campionamento

Adesso è il momento di rispondere a una domanda piuttosto strana: in quale caso il modello di ML più accurato non è quello giusto da scegliere? Come abbiamo accennato nell'ultimo modulo sull'ottimizzazione, il fatto che un modello abbia una metrica di perdita pari a 0 per il set di dati di addestramento non significa che avrà prestazioni ottimali con nuovi dati reali. Imparerai a creare set di dati ripetibili per l'addestramento, la valutazione e il test, nonché a stabilire benchmark per le prestazioni.