In diesem projektbasierten Kurs werden Sie eine durchgängige Pipeline für Maschinelles Lernen in Azure ML Studio aufbauen, ohne eine einzige Zeile Code zu schreiben! Dieser Kurs verwendet den Datensatz Adult Income Census, um ein Modell zur Vorhersage des Einkommens einer Person zu trainieren. Es sagt voraus, ob das Jahreseinkommen einer Person größer oder kleiner als 50.000 $ ist. Der in diesem Projekt verwendete Schätzer ist ein Two-Class Boosted Entscheidungsbaum-Klassifikator. Einige der Merkmale, die zum Trainieren des Modells verwendet werden, sind Alter, Bildung, Beruf, usw. Sobald Sie das Modell anhand der Testdaten bewertet und ausgewertet haben, stellen Sie das trainierte Modell als Azure Maschinelles Lernen Webservice bereit. In knapp einer Stunde werden Sie in der Lage sein, neue Daten an die Webservice-API zu senden und die daraus resultierenden Vorhersagen zu erhalten. Dies ist der zweite Kurs in dieser Reihe zur Erstellung von Anwendungen für Maschinelles Lernen mit Azure Maschinelles Lernen Studio. Ich empfehle Ihnen dringend, den ersten Kurs zu besuchen, bevor Sie fortfahren. Er enthält Anweisungen zur Einrichtung Ihres Azure ML-Kontos mit einem kostenlosen Guthaben im Wert von $200, damit Sie mit Ihren Experimenten beginnen können!

Dieser Kurs läuft über die praktische Projektplattform von Coursera namens Rhyme. Auf Rhyme führen Sie Projekte praxisnah in Ihrem Browser durch. Sie erhalten sofortigen Zugriff auf vorkonfigurierte Cloud-Desktops mit der gesamten Software und den Daten, die Sie für das Projekt benötigen. Alles ist bereits direkt in Ihrem Internetbrowser eingerichtet, so dass Sie sich ganz auf das Lernen konzentrieren können. Für dieses Projekt erhalten Sie sofortigen Zugriff auf einen Cloud-Desktop, auf dem Python, Jupyter und Scikit-learn vorinstalliert sind. Hinweise: - Sie können 5 Mal auf den Cloud-Desktop zugreifen. Sie können jedoch so oft auf die Anleitungsvideos zugreifen, wie Sie möchten. - Dieser Kurs eignet sich am besten für Lernende, die in der Region Nordamerika leben. Wir arbeiten derzeit daran, die gleiche Erfahrung auch in anderen Regionen zu ermöglichen.