Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Diese Einführung auf Anfängerniveau in das maschinelle Lernen behandelt vier der gängigsten Klassifikationsalgorithmen. Du erhältst ein grundlegendes Verständnis dafür, wie jeder Algorithmus eine Lernaufgabe angeht, und lernst die R-Funktionen kennen, mit denen du diese Werkzeuge in deiner eigenen Arbeit einsetzen kannst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
k-Nearest Neighbors (kNN)
Da der kNN-Algorithmus buchstäblich „am Beispiel lernt“, eignet er sich hervorragend, um überwachte Verfahren zu verstehen. In diesem Kapitel führen wir in die Klassifikation ein und wenden kNN auf die Erkennung von Verkehrsschildern bei selbstfahrenden Fahrzeugen an.
- Klassifikation mit den nächsten Nachbarn50 XP
- Ein Verkehrsschild mit kNN erkennen100 XP
- Denken wie kNN50 XP
- Den Datensatz zu Verkehrsschildern erkunden100 XP
- Eine Sammlung von Verkehrsschildern klassifizieren100 XP
- Und was bedeutet das „k“ in kNN?50 XP
- Die Auswirkung von „k“ verstehen50 XP
- Andere "k"-Werte testen100 XP
- So haben die Nachbarn abgestimmt100 XP
- Datenaufbereitung für kNN50 XP
- Warum Daten normalisieren?50 XP
2
Naive Bayes
Naive Bayes nutzt Prinzipien aus der Statistik, um Vorhersagen zu treffen. Dieses Kapitel führt in die Grundlagen bayesischer Methoden ein und zeigt, wie du diese Techniken auf iPhone-ähnliche Zielvorschläge anwenden kannst.
3
Logistische Regression
Bei der logistischen Regression wird eine Kurve an numerische Daten angepasst, um Vorhersagen über binäre Ereignisse zu treffen. Als eine der wohl am weitesten verbreiteten Methoden des maschinellen Lernens gibt dieses Kapitel einen Überblick über die Technik und zeigt, wie du sie auf Fundraising-Daten anwendest.
4
Klassifikationsbäume
Klassifikationsbäume treffen Entscheidungen mithilfe von Flussdiagramm-ähnlichen Strukturen. Weil Menschen diese Baumstrukturen leicht verstehen, sind sie nützlich, wenn Transparenz gefragt ist, etwa bei der Kreditvergabe. Wir verwenden den Lending-Club-Datensatz, um dieses Szenario zu simulieren.
R
Überwachtes Lernen in R: Klassifikation
Kurs
abgeschlossen
