1 機械学習ワークフローの基礎(機械学習とは何か-長所と課題、データ収集から運用までのステップ、性能の改善
現実世界のデータ-データの取得/整備、可視化
モデルの構築と予測
モデルの評価と最適化
特徴エンジニアリングの基礎)
2 機械学習ワークフローの応用(NYCタクシーデータのケーススタディ
高度な特徴エンジニアリング
高度な自然言語処理の例-映画レビューの感情分析
機械学習ワークフローのスケーリング
デジタルディスプレイ広告のケーススタディ)
機械学習の利点/課題、乱雑なデータの処理、Python系モデル構築、モデル評価/最適化、特徴エンジニアリングのテクニック、予測速度の改善、大容量データへの対応など。有効なデータとより良いモデルを作成!
・文系パッケージエンジニアが3ヶ月で統計学入門してみた[2018-10-02に投稿]