-
機械学習の歴史を皮切りに、ニューラル ネットワークがデータ サイエンスのさまざまな問題でうまく機能している理由をご紹介します。次に、教師あり学習の問題を設定し、勾配降下法を使用して適切な解決策を見つける方法について説明します。これには、一般化が可能なデータセットの作成も含まれます。実験に対応するため、繰り返し使用できるデータセットの作成方法について解説します。
コースの目標:
ディープ ラーニングが注目を集めている理由を理解する
損失関数とパフォーマンス指標を使用して、モデルの最適化と評価を行う
機械学習で発生しがちな一般的な問題を軽減する
繰り返し使用可能でスケーラブルなトレーニング用、評価用、テスト用のデータセットを作成する
Overview
Syllabus
-
- コースの概要
- このコースでは、機械学習の専門講座で使用される用語を理解できるよう、基礎知識を身につけます。また、機械学習に携わる Google 社員から実用的なヒントと注意点を学び、独自の機械学習モデルを立ち上げるためのコードと知識を習得します。
- データ品質の向上と探索的データ分析
- このモジュールでは、データ品質の問題とその解決方法を紹介します。その後、探索的データ分析について見ていきます。
- 実践的な機械学習
- このモジュールでは、機械学習の担い手としてのレベルアップに寄与するよう、機械学習の主なタイプと、現在の最先端技術に至るまでの歴史を学びます。
- 最適化
- このモジュールでは、機械学習モデルを最適化する方法について説明します。
- 一般化とサンプリング
- 最も正確な機械学習モデルが必ずしも適切なモデルであるとは限りません。最適化に関する前のモジュールでも示したように、トレーニング用のデータセットの損失指標が 0 のモデルであっても、実世界の新しいデータでうまく機能するとは限りません。ここでは、繰り返し使用可能なトレーニング用、評価用、およびテスト用のデータセットを作成し、パフォーマンス ベンチマークを確立する方法を学習します。
- まとめ