Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
In diesem Kurs lernst du, wie du lineare Klassifikatoren – insbesondere logistische Regression und Support Vector Machines – mit scikit-learn einsetzt. Nachdem du die Anwendung dieser Methoden kennengelernt hast, tauchst du in die dahinterstehenden Konzepte ein und erfährst, was diese Verfahren im Kern ausmacht. Am Ende des Kurses weißt du, wie du diese linearen Klassifikatoren in Python trainierst, testest und optimierst. Außerdem verfügst du über ein konzeptionelles Fundament, um viele weitere Machine-Learning-Algorithmen zu verstehen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Logistische Regression und SVM anwenden
In diesem Kapitel lernst du die Grundlagen, um logistische Regression und Support Vector Machines (SVMs) auf Klassifikationsprobleme anzuwenden. Du verwendest die Bibliothek
scikit-learn, um Klassifikationsmodelle auf echte Daten zu fitten.- Auffrischung zu scikit-learn50 XP
- KNN-Klassifikation100 XP
- Modelle vergleichen50 XP
- Overfitting50 XP
- Logistische Regression und SVM anwenden50 XP
- LogisticRegression und SVC ausführen100 XP
- Sentiment-Analyse für Filmrezensionen100 XP
- Lineare Klassifikatoren50 XP
- Welche Entscheidungsgrenze ist linear?50 XP
- Entscheidungsgrenzen visualisieren100 XP
2
Loss-Funktionen
In diesem Kapitel entdeckst du das konzeptionelle Fundament hinter logistischer Regression und SVMs. So kannst du tiefer in die Funktionsweise dieser Modelle eintauchen.
3
Logistische Regression
In diesem Kapitel gehst du ins Detail der logistischen Regression. Du lernst alles über Regularisierung und wie du Modellergebnisse interpretierst.
4
Support Vector Machines
In diesem Kapitel lernst du die Details von Support Vector Machines kennen. Du erfährst, wie du Hyperparameter für diese Modelle optimierst und mit Kerneln nichtlineare Entscheidungsgrenzen fitten kannst.
Lineare Klassifikatoren in Python
Kurs
abgeschlossen
