Weiter zum Inhalt

Kurs

Machine Learning im Tidyverse

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 12/2022

Nutze die Pakete tidyr und purrr aus dem tidyverse, um Modelle für maschinelles Lernen zu erstellen, zu erkunden und zu bewerten.

Kurs kostenlos starten

RMachine Learning5 Std.15 Videos52 Übungen4,300 XP16,230Leistungsnachweis

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Training für 2 oder mehr Personen?

Probiere es mit DataCamp for Business

Kursbeschreibung

Hey, willkommen im tidyverse! In diesem Kurs lernst du weiter über das Tidyverse und wendest dein Wissen auf Konzepte des maschinellen Lernens an.

Dieser Kurs ist perfekt, wenn du die Tidyverse-Tools von R in deine Machine-Learning-Workflows einbauen willst.

Maschinelle Lernmodelle bewerten

In diesem Kurs lernst du, wie du die Tidyverse-Tools in R nutzen kannst, um Machine-Learning-Modelle effizient zu erstellen, zu untersuchen und zu bewerten.

Der Kurs fängt mit der Vorstellung des List Column Workflow (LCW) an, einer Methode, um mehrere Modelle in einem einzigen DataFrame zu verwalten. Es geht auch darum, wie man das Broom-Paket nutzen kann, um die Modellausgaben aufzuräumen und zu erkunden, damit die komplizierten Ergebnisse besser zu verstehen sind.

Mit tidyr und purrr arbeiten

Mach praktische Übungen, zum Beispiel zum Erstellen und Bewerten von Regressions- und Klassifizierungsmodellen. Schau dir Techniken an, mit denen du Hyperparameter anpassen kannst, um die Leistung von Modellen zu verbessern.

Du wirst Pakete wie tidyr und purrr nutzen, um komplexe Datenbearbeitungen und Modellbewertungen zu machen, und so einen ordentlichen und systematischen Ansatz für maschinelles Lernen sicherstellen.

Praxisanwendungen

Schau dir Beispiele aus der Praxis in verschiedenen Fallstudien an, wie zum Beispiel die Verwendung des Gapminder-Datensatzes zur Vorhersage der Lebenserwartung mit linearen Modellen.

Am Ende des Kurses hast du ein solides Fundament in der Anwendung der Tidyverse-Prinzipien auf maschinelles Lernen und kannst damit Modelle effizient, übersichtlich und reproduzierbar erstellen, optimieren und bewerten.

Voraussetzungen

Modeling with Data in the Tidyverse

1

Foundations of "tidy" Machine learning

This chapter will introduce you to the backbone of machine learning in the tidyverse, the List Column Workflow (LCW). The LCW will empower you to work with many models in one dataframe.
This chapter will also introduce you to the fundamentals of the broom package for exploring your models.

Foundations of "tidy" machine learning

Nesting your data

Unnesting your data

Explore a nested cell

The map family of functions

Mapping your data

Expecting mapped output

Mapping many models

Tidy your models with broom

The three ways to tidy your model

Extracting model statistics tidily

Augmenting your data

Kapitel starten

2

Multiple Models with broom

This chapter leverages the List Column Workflow to build and explore the attributes of 77 models. You will use the tools from the broom package to gain a multidimensional understanding of all of these models.

Exploring coefficients across models

Tidy up the coefficients of your models

What can we learn about these 77 countries?

Evaluating the fit of many models

Glance at the fit of your models

Best and worst fitting models

Visually inspect the fit of many models

Augment the fitted values of each model

Explore your best and worst fitting models

Improve the fit of your models

Build better models

Predicting the future

Kapitel starten

3

Build, Tune & Evaluate Regression Models

In this chapter you will learn how to use the List Column Workflow to build, tune and evaluate regression models. You will have the chance to work with two types of models: linear models and random forest models.

Training, test and validation splits

The test-train split

Cross-validation data frames

Measuring cross-validation performance

Build cross-validated models

Preparing for evaluation

Evaluate model performance

Building and tuning a random forest model

Build a random forest model

Evaluate a random forest model

Fine tune your model

The best performing parameter

Measuring the test performance

Build & evaluate the best model

Kapitel starten

4

Build, Tune & Evaluate Classification Models

In this chapter you will shift gears to build, tune and evaluate classification models.

Logistic regression models

Prepare train-test-validate parts

Build cross-validated models

Evaluating classification models

Predictions of a single model

Performance of a single model

Prepare for cross-validated performance

Calculate cross-validated performance

Random forest for classification

Tune random forest models

Random forest performance

Build final classification model

Measure final model performance

Kapitel starten

Machine Learning im Tidyverse

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu Deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in Deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Machine Learning im Tidyverse heute!

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.