After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
In questo corso imparerai a usare i classificatori lineari, in particolare la regressione logistica e le support vector machine, con scikit-learn. Dopo aver visto come applicare questi metodi, entrerai nelle idee che li guidano e scoprirai cosa li fa funzionare davvero. Al termine del corso saprai come addestrare, testare e ottimizzare questi classificatori lineari in Python. Avrai anche una base concettuale per comprendere molti altri algoritmi di Machine Learning.
Prerequisiti
Curriculum
Programma del corso
1
Applicare regressione logistica e SVM
In questo capitolo imparerai le basi per applicare la regressione logistica e le support vector machine (SVM) a problemi di classificazione. Userai la libreria
scikit-learn per adattare modelli di classificazione a dati reali.- Ripasso di scikit-learn50 XP
- Classificazione KNN100 XP
- Confrontare i modelli50 XP
- Overfitting50 XP
- Applicare la regressione logistica e le SVM50 XP
- Eseguire LogisticRegression e SVC100 XP
- Analisi del sentiment per le recensioni di film100 XP
- Classificatori lineari50 XP
- Quale confine decisionale è lineare?50 XP
- Visualizzare i confini di decisione100 XP
2
Funzioni di loss
In questo capitolo scoprirai il quadro concettuale alla base della regressione logistica e delle SVM. Questo ti permetterà di approfondire il funzionamento interno di questi modelli.
3
Regressione logistica
In questo capitolo entrerai nei dettagli della regressione logistica. Imparerai tutto sulla regolarizzazione e su come interpretare l’output del modello.
4
Support Vector Machines
In questo capitolo apprenderai tutti i dettagli delle support vector machine. Vedrai come regolare gli iperparametri per questi modelli e come usare i kernel per adattare frontiere di decisione non lineari.
Classificatori lineari in Python
Corso
completato
