Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Il Machine Learning studia e applica algoritmi che apprendono dai dati e fanno previsioni. Dai risultati di ricerca alle auto a guida autonoma, è presente in ogni ambito della nostra vita ed è uno dei campi più entusiasmanti e in rapida crescita nel mondo della data science. In questo corso imparerai i concetti fondamentali del Machine Learning: come costruire e valutare modelli predittivi, come ottimizzarli per ottenere le migliori prestazioni, come preprocessare i dati per risultati più affidabili e molto altro. Useremo per tutto il corso il diffuso pacchetto R caret, che offre un'interfaccia coerente alle funzionalità di Machine Learning più potenti di R.
Prerequisiti
Programma
Struttura del corso
1
Modelli di regressione: addestramento e valutazione delle prestazioni
Nel primo capitolo del corso, addestrerai modelli di regressione con
train() e ne valuterai le prestazioni fuori campione usando la cross-validation e la root-mean-square error (RMSE).- Benvenuto nel corso50 XP
- RMSE in-sample per la regressione lineare50 XP
- RMSE in-sample per la regressione lineare su diamonds100 XP
- Misure di errore out-of-sample50 XP
- RMSE out-of-sample per la regressione lineare50 XP
- Ordina casualmente il data frame100 XP
- Prova una suddivisione 80/20100 XP
- Predici sul test set100 XP
- Calcola a mano l'RMSE sul test set100 XP
- Confrontare l’RMSE out-of-sample con l’RMSE in-sample50 XP
- Cross-validation50 XP
- Vantaggi della cross-validation50 XP
- Cross-validation a 10 fold100 XP
- Cross-validation a 5 fold100 XP
- Cross-validation 5 x 5 fold ripetuta100 XP
- Fare previsioni su nuovi dati100 XP
2
Modelli di classificazione: addestramento e valutazione delle prestazioni
In questo capitolo, addestrerai modelli di classificazione con
train() e ne valuterai le prestazioni fuori campione usando la cross-validation e l'area sotto la curva (AUC).3
Ottimizzazione dei parametri del modello per migliorare le prestazioni
In questo capitolo, userai la funzione
train() per regolare i parametri del modello tramite cross-validation e grid search.4
Preprocessamento dei dati
In questo capitolo, farai pratica con
train() per preprocessare i dati prima di addestrare i modelli, migliorando la tua capacità di fare previsioni accurate.5
Selezione dei modelli: uno studio di caso sul churn
Nel capitolo finale del corso, imparerai a usare
resamples() per confrontare più modelli e selezionare (o combinare in ensemble) i migliori.R
Machine Learning con caret in R
Corso
completato
