在本模块中，我们将讨论构建机器学习模型过程中的关键步骤。 我们将了解模型复杂性的来源以及复杂性如何影响模型的性能。 最后，我们将讨论比较不同模型的策略，以便为生产选择最佳模型。

在本模块中，我们将学习如何为人工智能项目定义适当的结果和输出指标。 然后，我们将讨论评估回归和分类模型的关键指标，以及如何选择使用的模型。 最后，我们将讨论机器学习项目中常见的错误来源，以及如何排除性能不佳的故障。

在本模块中，我们将探索线性模型在回归和分类中的应用。 我们将首先介绍线性回归，然后继续讨论如何通过正则化使线性回归更好地工作。 然后，我们将转向分类，并介绍用于二元和多类分类问题的逻辑回归模型。

我们将首先讨论树模型及其在模拟复合非线性问题中的价值。 然后，我们将介绍创建集合模型的方法及其优势。 最后，我们将转向无监督学习，讨论聚类和流行的 K-Means 聚类方法。

本课程的最后一个模块将侧重于机器学习的一个热门领域--深度学习，或多层神经网络的使用。 我们将了解神经网络工作原理背后的直觉和关键数学原理。 然后，我们将讨论深度学习在计算机视觉和自然语言处理中的常见应用。 最后，我们将以课程项目作为课程的收尾，您将有机会应用所学的建模过程和最佳实践来创建自己的机器学习模型。