Chevron Left
머신 러닝 기초: 사례 연구 접근 방식 に戻る

ワシントン大学(University of Washington) による 머신 러닝 기초: 사례 연구 접근 방식 の受講者のレビューおよびフィードバック

コースについて

데이터가 있고 그 데이터로 무엇을 알 수 있는지 궁금하신가요? 머신 러닝으로 비즈니스를 개선할 수 있는 핵심 방법을 더 깊이 이해해야 하나요? 회귀 및 분류에서 딥 러닝 및 추천 시스템까지 어떤 내용으로든 전문가와 대화할 수 있기를 원하시나요? 이 과정에서는 일련의 실제 사례 연구를 통해 머신 러닝에 대한 실무 경험을 얻을 수 있습니다. 첫 번째 과정이 끝나면 주택 수준 특성을 기반으로 주택 가격을 예측하고, 사용자 리뷰에서 감정을 분석하고, 관심 문서를 검색하고, 제품을 추천하고, 이미지를 검색하는 방법을 배우게 됩니다. 이러한 사용 사례에 대한 실습을 통해 광범위한 영역에서 머신 러닝 방법을 적용할 수 있습니다. 이 첫 번째 과정은 머신 러닝 방법을 블랙박스로 취급합니다. 이 추상화를 통해 관심 있는 작업을 이해하고, 이러한 작업을 머신 러닝 도구와 일치시키고, 출력 품질을 평가하는 데 집중할 것입니다. 후속 과정에서는 모델과 알고리즘을 검토하여 이 블랙박스의 구성 요소를 자세히 알아볼 것입니다. 이 조각들은 결합하여 지능형 애플리케이션 개발에 사용할 머신 러닝 파이프라인을 형성합니다. 학습 결과: 이 과정을 마치면 다음을 수행할 수 있습니다. -실제로 머신 러닝의 잠재적 애플리케이션을 식별합니다. -회귀, 분류 및 클러스터링을 통해 가능해진 분석의 핵심 차이를 설명합니다. -잠재적 애플리케이션에 적합한 머신 러닝 작업을 선택합니다. -회귀, 분류, 클러스터링, 검색, 추천 시스템 및 딥 러닝을 적용합니다. -머신 러닝 모델에 대한 입력 정보 역할을 하는 특성으로 데이터를 제시합니다. -각 작업에 대한 관련 오류 지표 측면에서 모델 품질을 평가합니다. -새로운 데이터를 분석하기 위해 모델에 맞는 데이터 세트를 활용합니다. -머신 러닝을 핵심으로 사용하는 엔드 투 엔드 애플리케이션을 구축합니다. -Python에서 이러한 기술을 구현합니다....
フィルター: