Setelah mengikuti kursus-kursus ini, saya merasa percaya diri membuat visualisasi dan dasbor profesional
Shoebur RahmanSpesialis Pengadaan, Giz Bangladesh
Deskripsi Kursus
Machine Learning adalah studi dan penerapan algoritme yang belajar dari data dan membuat prediksi. Dari hasil pencarian hingga mobil swakemudi, bidang ini hadir di berbagai aspek kehidupan dan merupakan salah satu ranah riset paling menarik dan berkembang pesat dalam ilmu data. Kursus ini membahas konsep utama dalam Machine Learning: cara membangun dan mengevaluasi model prediktif, menyetel model agar kinerjanya optimal, melakukan prapemrosesan data untuk hasil yang lebih baik, dan banyak lagi. Paket R populer bernama caret, yang menyediakan antarmuka konsisten ke beragam fasilitas Machine Learning paling kuat di R, digunakan sepanjang kursus.
Prasyarat
Kurikulum
Ringkasan kursus
1
Model Regresi: Memasang dan Mengevaluasi Kinerjanya
Pada bab pertama, Anda akan memasang model regresi dengan
train() dan mengevaluasi kinerja out-of-sample menggunakan cross-validation dan root-mean-square error (RMSE).- Selamat datang di kursus ini50 XP
- RMSE dalam sampel untuk regresi linear50 XP
- RMSE in-sample untuk regresi linear pada diamonds100 XP
- Ukuran galat out-of-sample50 XP
- RMSE out-of-sample untuk regresi linear50 XP
- Urutkan data frame secara acak100 XP
- Coba pembagian 80/20100 XP
- Prediksi pada himpunan uji100 XP
- Hitung RMSE himpunan test secara manual100 XP
- Membandingkan RMSE out-of-sample dengan RMSE in-sample50 XP
- Cross-validation50 XP
- Keunggulan cross-validation50 XP
- Validasi silang 10-fold100 XP
- Validasi silang 5-lipat100 XP
- Cross-validation 5 x 5-fold100 XP
- Membuat prediksi pada data baru100 XP
2
Model Klasifikasi: Memasang dan Mengevaluasi Kinerjanya
Pada bab ini, Anda akan memasang model klasifikasi dengan
train() dan mengevaluasi kinerja out-of-sample menggunakan cross-validation dan area under the curve (AUC).3
Menyetel Parameter Model untuk Meningkatkan Kinerja
Pada bab ini, Anda akan menggunakan fungsi
train() untuk menyetel parameter model melalui cross-validation dan grid search.4
Prapemrosesan Data
Pada bab ini, Anda akan berlatih menggunakan
train() untuk melakukan prapemrosesan data sebelum memasang model, sehingga meningkatkan kemampuan Anda membuat prediksi yang akurat.5
Memilih Model: Studi Kasus Prediksi Churn
Pada bab terakhir, Anda akan mempelajari cara menggunakan
resamples() untuk membandingkan beberapa model dan memilih (atau mengansambel) model terbaik.R
Machine Learning dengan caret di R
Kursus
Selesai
