Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Cette introduction à l'apprentissage automatique couvre quatre des algorithmes de classification les plus courants. Vous en ressortirez avec une compréhension de base de la manière dont chaque algorithme aborde une tâche d'apprentissage, et vous apprendrez les fonctions R nécessaires pour appliquer ces outils à votre propre travail.
Prérequis
Programme de formation
Plan du cours
1
Voisins les plus proches (kNN)
Comme l'algorithme kNN "apprend littéralement par l'exemple", il s'agit d'un exemple concret pour commencer à comprendre l'apprentissage automatique supervisé. Ce chapitre présente la classification tout en travaillant sur l'application de kNN à la reconnaissance des panneaux de signalisation des véhicules autonomes.
- Classification avec les plus proches voisins50 XP
- Reconnaissance d'un panneau routier avec kNN100 XP
- Penser comme kNN50 XP
- Exploration de l'ensemble de données sur les panneaux de signalisation100 XP
- Classification d'une collection de panneaux routiers100 XP
- Qu'en est-il du "k" dans kNN ?50 XP
- Comprendre l'impact de "k50 XP
- Tester d'autres valeurs "k100 XP
- Voir comment les voisins ont voté100 XP
- Préparation des données pour kNN50 XP
- Pourquoi normaliser les données ?50 XP
2
Naive Bayes
Naive Bayes utilise des principes issus du domaine des statistiques pour faire des prédictions. Ce chapitre présente les bases des méthodes bayésiennes tout en explorant la manière d'appliquer ces techniques aux suggestions de destinations de type iPhone.
3
Régression logistique
La régression logistique consiste à ajuster une courbe à des données numériques pour faire des prédictions sur des événements binaires. Il s'agit sans doute de l'une des méthodes d'apprentissage automatique les plus utilisées. Ce chapitre présente une vue d'ensemble de la technique tout en illustrant la manière de l'appliquer aux données relatives aux collectes de fonds.
4
Arbres de classification
Les arbres de classification utilisent des structures de type organigramme pour prendre des décisions. Parce que les humains peuvent facilement comprendre ces structures arborescentes, les arbres de classification sont utiles lorsque la transparence est nécessaire, comme dans le cas de l'approbation d'un prêt. Nous utiliserons l'ensemble de données de Lending Club pour simuler ce scénario.
R
Apprentissage supervisé en R : Classification
Cours
terminé
