UMBRELLA

例如，我可能想要一个可以判断照片是在城市地区还是农村地区拍摄的模型，但我的原始模型不会将图像分为这两个特定类别。我可以为此特定目的从头开始构建一个新模型。但为了获得好的结果，我需要数千张带有城市和乡村标签的照片。一种称为迁移学习的方法可以用更少的数据给出良好的结果。迁移学习利用模型在解决一个问题时学到的知识（称为预训练模型，因为该模型已经在不同的数据集上进行了训练），并将其应用于新的应用程序中。

介绍

我们将使用TensorFlow和Keras来构建计算机视觉模型，并使用TPU来训练我们的模型并进行预测。

介绍

构建一个机器学习模型，根据图像对104种花朵进行分类。您将学习如何在Keras中构建图像分类器并在张量处理单元(TPU)上对其进行训练。

卷积分类器（The Convolutional Classifier）

• 使用现代深度学习网络通过Keras构建图像分类器。
• 使用可重复使用的块设计您自己的自定义卷积网络。
• 了解视觉特征提取背后的基本思想。
• 掌握迁移学习的艺术来提升您的模型。
• 利用数据增强来扩展数据集。
  阅读全文 »

介绍

预测可能是机器学习在现实世界中最常见的应用。企业预测产品需求，政府预测经济和人口增长，气象学家预测天气。对未来事物的理解是科学、政府和工业界的迫切需求，这些领域的从业者越来越多地应用机器学习来满足这一需求。时间序列预测是一个广阔的领域，有着悠久的历史。

• 工程师对主要时间序列组成部分（趋势、季节和周期）进行建模。
• 使用多种时间序列图可视化时间序列。
• 创建结合互补模型优势​​的预测混合体。
• 使机器学习方法适应各种预测任务。
  阅读全文 »

介绍

什么是深度学习？

近年来，人工智能领域最令人印象深刻的一些进展出现在深度学习领域。自然语言翻译、图像识别和游戏都是深度学习模型已经接近甚至超过人类水平的表现。那么什么是深度学习呢？深度学习是一种以深度计算堆栈为特征的机器学习方法。这种计算深度使得深度学习模型能够理清最具挑战性的现实数据集中发现的各种复杂和分层模式。神经网络凭借其强大的功能和可扩展性，已成为深度学习的定义模型。神经网络由神经元组成，其中每个神经元单独执行简单的计算。神经网络的力量来自于这些神经元可以形成的连接的复杂性。

第1步 - 准备工作

介绍

特征工程的目标

特征工程的目标很简单，就是让您的数据更适合当前的问题。考虑“表观温度”测量，例如炎热指数和风寒。这些量试图根据我们可以直接测量的气温、湿度和风速来测量人类感知的温度。您可以将表观温度视为一种特征工程的结果，试图使观察到的数据与我们真正关心的内容更相关。你可以使用特征工程来实现：

• 提高模型的预测性能。
• 减少计算或数据需求。
• 提高结果的可解释性。
  阅读全文 »

如何最好地讲述数据背后的故事并不总是那么容易，因此我们将图表类型分为三大类来帮助解决这一问题。

介绍

• 处理现实世界数据集中常见的数据类型（缺失值、分类变量）。
• 设计管道以提高机器学习代码的质量。
• 使用先进的技术进行模型验证（交叉验证）。
• 构建最先进的模型，广泛用于赢得Kaggle比赛(XGBoost)。
• 避免常见且重要的数据科学错误（泄漏）。

缺失值（Missing Values）

您将学习三种处理缺失值的方法。然后，您将在现实数据集上比较这些方法的有效性。