After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Preparati per il tuo colloquio sul machine learning
Ti sei mai chiesto come prepararti al meglio per un colloquio sul Machine Learning? In questo corso, ti preparerai a rispondere a 15 domande comuni sul Machine Learning (ML) in Python per un colloquio di lavoro come data scientist.Queste domande gireranno attorno a sette argomenti importanti: pre-elaborazione dei dati, visualizzazione dei dati, apprendimento supervisionato, apprendimento non supervisionato, assemblaggio di modelli, selezione di modelli e valutazione dei modelli.
Rinfresca le tue conoscenze sul machine learning
Inizierai occupandoti delle domande relative alla pre-elaborazione e alla visualizzazione dei dati. Dopo aver fatto tutti i passaggi di pre-elaborazione, creerai un modello ML predittivo per affinare le tue abilità pratiche.Poi, vedrai alcune tecniche di apprendimento supervisionato prima di passare all'apprendimento non supervisionato. A seconda del lavoro, probabilmente parlerai di entrambi gli argomenti durante il colloquio sul machine learning.
Infine, finirai parlando della scelta e della valutazione dei modelli, vedrai come valutare le prestazioni per la generalizzazione dei modelli e scoprirai varie tecniche mentre crei un modello ensemble.
Risposte alle domande più frequenti nei colloqui di lavoro sul machine learning
Alla fine del corso, avrai sia le conoscenze teoriche che servono sia la capacità di sviluppare codice Python per rispondere bene a queste 15 domande.Gli esempi di codifica saranno principalmente basati sul pacchetto scikit-learn, visto che è facile da usare e copre le tecniche di machine learning più importanti nel linguaggio Python.
Il corso non spiega le basi del machine learning, perché quelle le trovi nei prerequisiti del corso.
Prerequisiti
Curriculum
Programma del corso
1
Pre-processing dei dati e visualizzazione
Nel primo capitolo del corso eseguirai tutti i passaggi di pre-processing necessari per creare un modello predittivo di machine learning, inclusa la gestione dei valori mancanti, degli outlier e la normalizzazione dell’insieme di dati.
- Gestire i dati mancanti50 XP
- A caccia di valori mancanti100 XP
- Imputazione semplice100 XP
- Imputazione iterativa100 XP
- Distribuzioni dei dati e trasformazioni50 XP
- Distribuzioni e trasformazioni nei set di training vs test50 XP
- Distribuzioni train/test100 XP
- Trasformazioni logaritmiche e di potenza100 XP
- Valori anomali e scaling dei dati50 XP
- Rilevamento degli outlier100 XP
- Gestire gli outlier100 XP
- Standardizzazione con Z-score100 XP
2
Apprendimento supervisionato
Nel secondo capitolo del corso metterai in pratica diversi aspetti delle tecniche di apprendimento supervisionato, come la selezione dell’insieme ottimale di feature, la regolarizzazione per evitare l’overfitting, il feature engineering e i modelli di ensemble per affrontare il cosiddetto compromesso bias-varianza.
3
Apprendimento non supervisionato
Nel terzo capitolo del corso userai l’apprendimento non supervisionato per applicare tecniche di estrazione di feature e visualizzazione per la riduzione della dimensionalità e metodi di clustering, così da selezionare non solo l’algoritmo di clustering appropriato ma anche il numero ottimale di cluster per un insieme di dati.
4
Selezione e valutazione dei modelli
Nel quarto e ultimo capitolo del corso alzerai l’asticella applicando bootstrapping e cross-validation per valutare le prestazioni in termini di generalizzazione del modello, tecniche di ri-campionamento per classi sbilanciate, individuare e rimuovere la multicollinearità e costruire un modello di ensemble.
Esercitarsi con le domande di colloquio di Machine Learning in Python
Corso
completato
