Úvod
Strojové učení je v mnoha ohledech průnikem dvou disciplín – datových věd a softwarového inženýrství. Cílem strojového učení je použít data k vytvoření prediktivního modelu, který je možné začlenit do softwarové aplikace nebo služby. K dosažení tohoto cíle je potřeba spolupracovat mezi datovými vědci, kteří data prozkoumávají a připraví, než je použijete k trénování modelu strojového učení, a vývojáři softwaru, kteří integrují modely do aplikací, kde se používají k predikci nových hodnot dat (proces označovaný jako odvozování).
V tomto modulu prozkoumáte některé základní koncepty, na kterých je založené strojové učení, naučíte se identifikovat různé druhy modelů strojového učení a prozkoumáte způsoby trénování a vyhodnocování modelů strojového učení. Nakonec se dozvíte, jak pomocí služby Microsoft Azure Machine Učení trénovat a nasazovat model strojového učení, aniž byste museli psát jakýkoli kód.
Poznámka:
Strojové učení je založené na matematických a statistických technikách, z nichž některé jsou popsány na vysoké úrovni v tomto modulu. Nemějte obavy, pokud nejste ale matematický odborník! Cílem tohoto modulu je pomoct vám získat přehled o tom, jak strojové učení funguje – matematiku budeme udržovat na minimum potřebné k pochopení základních konceptů.