Launching into Machine Learning 日本語版

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

はじめに
-このコースでは、機械学習（ML）の基礎知識を習得し、この専門分野で使用されている用語を理解できるようになります。また、Google の ML プラクティショナーから実践面でのヒントや問題を学び、コードや知識を習得して独自の ML モデルに活用することもできます。

実践的な機械学習
-このモジュールでは、主要なタイプの機械学習（ML）について説明し、最新技術に至るまでの ML の歴史について検証していきながら、ML プラクティショナーとしてのキャリアアップを図ります。

最適化
-このモジュールでは、機械学習（ML）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
-ここからは、少し違った角度から検討していきます。正解率が最も高い機械学習（ML）モデルを選択するのが適さないことがありますが、それはどのような場合でしょうか。前回の最適化に関するモジュールで示唆したように、トレーニング データセットに対するモデルの損失指標が 0 というだけでは、実世界の新しいデータを適切に処理できることにはなりません。

まとめ