機械学習集中講座

機械学習を簡潔かつ実用的に紹介する Google の機械学習集中講座は、アニメーション動画、インタラクティブな可視化、実践的な演習で構成された一連のレッスンです。
クラッシュ コースを開始する コースのモジュールを参照する 前提条件を表示 ヘルプセンター

コース モジュール

機械学習集中講座の各モジュールは独立した内容であるため、機械学習の経験がある場合は、学習したいトピックに直接移動できます。ML を初めて使用する場合は、以下の順序でモジュールを完了することをおすすめします。

ML モデル

これらのモジュールでは、回帰モデルと分類モデルの構築の基本について説明します。

線形回帰の概要。線形モデル、損失、勾配降下、ハイパーパラメータ チューニングについて説明します。
ロジスティック回帰の概要。ML モデルは、特定の結果の確率を予測するように設計されています。
バイナリ分類モデルの概要について説明します。しきい値、混同行列、精度、適合率、再現率、AUC などの指標について説明します。

データ

これらのモジュールでは、ML データを操作するための基本的な手法とベスト プラクティスについて説明します。

数値データを分析して変換し、ML モデルをより効果的にトレーニングする方法について学びます。
カテゴリデータの処理の基本を学びます。カテゴリデータと数値データを区別する方法、ワンホット エンコード、特徴ハッシュ、平均エンコードを使用してカテゴリデータを数値で表す方法、特徴のクロスを実行する方法について学びます。
機械学習データセットの特性と、モデルのトレーニングと評価で高品質の結果を確保するためにデータを準備する方法について説明します。

高度な ML モデル

これらのモジュールでは、高度な ML モデル アーキテクチャについて説明します。

ニューラル ネットワーク アーキテクチャの基本原則（パーセプトロン、隠れ層、活性化関数など）の概要。
エンベディングを使用して大規模な特徴ベクトルで ML を行う方法について学びます。
新規
トークンから Transformer まで、大規模言語モデルの概要を説明します。LLM がテキスト出力の予測を学習する方法の基本と、LLM のアーキテクチャとトレーニング方法について学びます。

実世界の ML

これらのモジュールでは、本番環境への移行に関するベスト プラクティス、自動化、責任あるエンジニアリングなど、現実世界で ML モデルを構築してデプロイする際の重要な考慮事項について説明します。

さまざまなコンポーネントにまたがる ML 本番環境システムの仕組みを学びます。
新規
自動化された ML の使用に関する原則とベスト プラクティスを学びます。
データのバイアスを見つけて軽減するための戦略など、ML モデルの公平性を監査するための原則とベスト プラクティスを学びます。