In questo modulo vedremo come migliorare la qualità dei dati ed esplorare i dati eseguendo analisi esplorative. Analizzeremo l'importanza di avere dati ordinati nel machine learning, mostrando in che modo questo aspetto influisce sulla qualità dei dati. Ad esempio, l'assenza di valori può distorcere i risultati. Scoprirai anche l'importanza dell'esplorazione dei dati. Dopo aver ordinato i dati, eseguirai un'analisi esplorativa del set di dati.

In questo modulo introdurremo alcuni dei principali tipi di machine learning, così potrai accelerare la tua crescita come professionista del ML.

In questo modulo introdurremo l'addestramento dei modelli AutoML utilizzando Vertex AI.

In questo modulo presenteremo BigQuery ML e le sue funzionalità.

In questo modulo ti spiegheremo come ottimizzare i tuoi modelli di ML.

Adesso è il momento di rispondere a una domanda piuttosto strana: in quale caso il modello di ML più accurato non è quello giusto da scegliere? Come abbiamo accennato nell'ultimo modulo sull'ottimizzazione, il fatto che un modello abbia una metrica di perdita pari a 0 per il set di dati di addestramento non significa che avrà prestazioni ottimali con nuovi dati reali. Imparerai a creare set di dati ripetibili per l'addestramento, la valutazione e il test, nonché a stabilire benchmark per le prestazioni.

Questo modulo è un riepilogo del corso Launching into Machine Learning