Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Maschinelles Lernen ist die Erforschung und Anwendung von Algorithmen, die aus Daten lernen und Vorhersagen treffen. Von Suchergebnissen bis zu selbstfahrenden Autos: Es ist in allen Bereichen unseres Lebens präsent und eines der spannendsten und am schnellsten wachsenden Forschungsfelder in der Datenwissenschaft. In diesem Kurs lernst du die zentralen Konzepte des maschinellen Lernens kennen: wie man Vorhersagemodelle erstellt und bewertet, wie man sie für optimale Leistung abstimmt, wie man Daten für bessere Ergebnisse vorverarbeitet und vieles mehr. Das beliebte R-Paket caret, das eine einheitliche Schnittstelle zu R's leistungsstärksten ML-Verfahren bietet, wird im gesamten Kurs verwendet.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Regressionsmodelle: Fitten und Leistung bewerten
In diesem ersten Kapitel passt du Regressionsmodelle mit
train() an und bewertest ihre Out-of-Sample-Leistung mithilfe von Kreuzvalidierung und Root-Mean-Square Error (RMSE).- Willkommen im Kurs50 XP
- In-Sample-RMSE für lineare Regression50 XP
- In-Sample-RMSE für lineare Regression auf diamonds100 XP
- Fehlermaße außerhalb der Stichprobe50 XP
- Out-of-sample-RMSE für lineare Regression50 XP
- Den Data Frame zufällig anordnen100 XP
- Probiere einen 80/20‑Split aus100 XP
- Vorhersage auf dem Testset100 XP
- RMSE des Testsets per Hand berechnen100 XP
- Out-of-sample-RMSE mit In-sample-RMSE vergleichen50 XP
- Kreuzvalidierung50 XP
- Vorteil der Cross-Validation50 XP
- 10-fache Kreuzvalidierung100 XP
- 5-fache Kreuzvalidierung100 XP
- 5 x 5-fache Kreuzvalidierung100 XP
- Vorhersagen für neue Daten treffen100 XP
2
Klassifikationsmodelle: Fitten und Leistung bewerten
In diesem Kapitel passt du Klassifikationsmodelle mit
train() an und bewertest ihre Out-of-Sample-Leistung mithilfe von Kreuzvalidierung und Area under the Curve (AUC).3
Modellparameter abstimmen, um die Leistung zu verbessern
In diesem Kapitel nutzt du die Funktion
train(), um Modellparameter per Kreuzvalidierung und Grid Search zu justieren.4
Daten vorverarbeiten
In diesem Kapitel übst du, mit
train() Daten vor der Modellerstellung vorzuverarbeiten, um deine Fähigkeit zu verbessern, genaue Vorhersagen zu treffen.5
Modelle auswählen: Eine Fallstudie zur Churn-Vorhersage
Im letzten Kapitel dieses Kurses lernst du, wie du mit
resamples() mehrere Modelle vergleichst und das/die beste(n) auswählst (oder ensemblest).R
Maschinelles Lernen mit caret in R
Kurs
abgeschlossen
