In diesem Modul sehen wir uns an, wie wir die Qualität unserer Daten verbessern können und wie wir unsere Daten durch explorative Datenanalyse untersuchen können. Wir befassen uns mit der Bedeutung aufgeräumter Daten beim maschinellen Lernen und zeigen, wie sich dies auf die Datenqualität auswirkt. Zum Beispiel können fehlende Werte unsere Ergebnisse verfälschen. Sie werden auch erfahren, wie wichtig es ist, Ihre Daten zu erforschen. Sobald wir die Daten aufgeräumt haben, werden Sie eine explorative Datenanalyse mit dem Datensatz durchführen.

In diesem Modul stellen wir Ihnen einige der wichtigsten Arten des maschinellen Lernens vor, damit Sie Ihr Wachstum als ML-Praktiker beschleunigen können.

In diesem Modul werden wir das Training von AutoML-Modellen mit Vertex AI vorstellen.

In diesem Modul werden wir BigQuery ML und seine Möglichkeiten vorstellen.

In diesem Modul zeigen wir Ihnen, wie Sie Ihre ML-Modelle optimieren können.

Jetzt ist es an der Zeit, eine etwas merkwürdige Frage zu beantworten: Wann ist das genaueste ML-Modell nicht das richtige? Wie wir bereits im letzten Modul zur Optimierung angedeutet haben, bedeutet die Tatsache, dass ein Modell für Ihren Trainingsdatensatz eine Verlustmetrik von 0 aufweist, nicht, dass es auch bei neuen Daten in der realen Welt gut funktioniert. Sie werden lernen, wie Sie wiederholbare Trainings-, Bewertungs- und Testdatensätze erstellen und Leistungsvergleiche anstellen.

Dieses Modul ist eine Zusammenfassung des Kurses Launching into Machine Learning