Chevron Left
Вернуться к Launching into Machine Learning 日本語版

Отзывы учащихся о курсе Launching into Machine Learning 日本語版 от партнера Google Cloud

4.4
Оценки: 43
Рецензии: 7

О курсе

機械学習の歴史を皮切りに、ニューラル ネットワークが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、一般化が可能になるデータセットの作成も含まれます。実験に対応するため、データセットを繰り返し作成できる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知る 損失関数とパフォーマンス指標を使用して、モデルを最適化および評価する 機械学習で発生しがちな一般的な問題を軽減する 再現可能なスケーラブル トレーニング用、評価用、テスト用データセットを作成する...
Фильтр по:

1–7 из 7 отзывов о курсе Launching into Machine Learning 日本語版

автор: Muahammad U A

Jan 06, 2019

This is best course on learning basic of machine learning and splitting data on GCP using big query

автор: Pierre L M

Sep 21, 2019

Good course, liked the historical part, good to set up the context, explanations are good, labs are interesting but I need to learn a bit of SQL syntax

автор: Md. A K

Oct 06, 2019

This one of best hands on course to start Machine Learning. It is a good combination of theory which is to the point a beginner needs to know and practical example with TensorFlow playground.

With two hands on labs in GCP environment to delve into the real world problems and 3 quizzes on the course made it a solid starting point. It would be good for some one who already know some linear equation staffs and bigquery. However, it isn't must. Just follow the course is enough and repeating where it becomes difficult. It needs time. I need to pause and pen and paper to take notes many places. There are lots of technical terms we need to remember. So better review the course again after completing it would be great make the understanding more sustainable.

автор: Chiharu M

Oct 13, 2019

最初は難しいと感じましたが、ステップを踏んで説明があったので完璧とは言わないまでも理解できました。

автор: Yoshiyuki K

Aug 29, 2019

TensorFlow PlaygroundやBigQueryに触れることができたのは有益だった。数式が当然のように出てくるのは少し辛いかもしれない。。。

автор: Hiroshi Y

Sep 29, 2019

前半の歴史は知らない用語が多数でてきて、前提知識がないと理解が難しかった。しっかり調べながら進めたが、あまり意味のない知識だった事がわかり、残念だった。時間を無駄にした感じ。

後半はとても具体的で分かり易く面白かった。

以下を学ぶことができた。

・勾配降下法を用いたモデル最適化

・ニューラルネットワークと線形モデルとの違い。活性化関数

・回帰問題用のRMSE

・パフォーマンス指標(正解率、精度、再現率)

・効率的にモデルを評価するためのシンプルなベンチマーク

・汎化(複雑なモデルを学習させ、RMSEが0になったとしても汎化できていないと未知のデータに対応できない。つまり予測に使えない。汎化が必要)

・繰り返し利用可能なデータの分割方法。余剰演算子とハッシュ関数(損失関数に影響を与えないパラメータを用いる)

автор: Nobuyuki S

Jan 14, 2019

StanfordのMachine Learningをやっている方には既知の情報が少なからずあります。

Big QueryのHands Onができることがメリットかと思います。