Lewati ke konten utama

Kursus

Supervised Learning di R: Klasifikasi

MenengahTingkat Keterampilan

Diperbarui 04/2026

Di kursus ini Anda akan mempelajari dasar-dasar machine learning untuk klasifikasi.

Mulai Kursus Gratis

RMachine Learning

4 jam

14 videos

55 Latihan

3,950 XP

100K+

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Pengantar Machine Learning tingkat pemula ini membahas empat algoritma klasifikasi yang paling umum. Anda akan memperoleh pemahaman dasar tentang cara setiap algoritma menyelesaikan tugas pembelajaran, serta mempelajari fungsi-fungsi R yang diperlukan untuk menerapkan alat ini pada pekerjaan Anda sendiri.

Persyaratan

1

k-Nearest Neighbors (kNN)

Karena algoritma kNN secara harfiah "belajar dari contoh", ini menjadi titik awal yang tepat untuk mulai memahami supervised Machine Learning. Bab ini akan memperkenalkan klasifikasi sambil mempraktikkan penerapan kNN pada pengenalan rambu jalan untuk kendaraan swa-kemudi.

Klasifikasi dengan Tetangga Terdekat

Mengenali rambu jalan dengan kNN

Berpikir seperti kNN

Mengeksplorasi himpunan data rambu lalu lintas

Klasifikasi sekumpulan rambu jalan

Bagaimana dengan 'k' pada kNN?

Memahami dampak 'k'

Menguji nilai 'k' lainnya

Melihat bagaimana para tetangga memilih

Persiapan data untuk kNN

Mengapa menormalkan data?

2

Naive Bayes

Naive Bayes menggunakan prinsip-prinsip dari bidang statistika untuk membuat prediksi. Bab ini akan memperkenalkan dasar-dasar metode Bayesian sambil mengeksplorasi cara menerapkan teknik ini pada saran tujuan seperti di iPhone.

Memahami metode Bayesian

Menghitung probabilitas

Memahami kejadian saling bergantung

Model lokasi Naive Bayes sederhana

Mengamati probabilitas "mentah"

Memahami independensi

Memahami "keunaan" pada NB

Siapa yang Anda sebut naif?

Model lokasi yang lebih canggih

Bersiap menghadapi keadaan tak terduga

Memahami koreksi Laplace

Menerapkan Naive Bayes pada permasalahan lain

Menangani prediktor numerik

3

Regresi Logistik

Regresi logistik melibatkan pencocokan kurva pada data numerik untuk membuat prediksi tentang kejadian biner. Mungkin salah satu metode Machine Learning yang paling luas digunakan, bab ini memberikan gambaran umum tentang teknik tersebut sekaligus mencontohkan cara menerapkannya pada data penggalangan dana.

Membuat prediksi biner dengan regresi

Membangun model regresi logistik sederhana

Membuat prediksi biner

Keterbatasan akurasi

Pertukaran kinerja model

Menghitung Kurva ROC dan AUC

Membandingkan kurva ROC

Variabel semu, data hilang, dan interaksi

Mengode fitur kategorikal

Menangani data hilang

Memahami indikator nilai hilang

Membangun model yang lebih canggih

Pemilihan fitur otomatis

Bahaya stepwise regression

Membangun model regresi stepwise

4

Pohon Klasifikasi

Pohon klasifikasi menggunakan struktur mirip bagan alur untuk membuat keputusan. Karena manusia mudah memahami struktur pohon ini, pohon klasifikasi bermanfaat saat dibutuhkan transparansi, seperti pada persetujuan pinjaman. Kita akan menggunakan himpunan data Lending Club untuk mensimulasikan skenario ini.

Membuat keputusan dengan pohon

Membangun pohon keputusan sederhana

Memvisualisasikan classification tree

Memahami keputusan pohon

Mengembangkan pohon klasifikasi yang lebih besar

Mengapa beberapa cabang terbagi?

Membuat himpunan data uji acak

Membangun dan mengevaluasi pohon yang lebih besar

Melakukan evaluasi kinerja yang adil

Merawat pohon klasifikasi

Mencegah pohon tumbuh berlebihan

Membuat pohon yang dipangkas dengan baik

Mengapa pohon keputusan diuntungkan oleh pemangkasan?

Melihat hutan secara keseluruhan dari pepohonan

Memahami random forest

Membangun model random forest

Supervised Learning di R: Klasifikasi

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Supervised Learning di R: Klasifikasi Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.