700+ courses, half price
Descrizione del corso
Sviluppa le tue competenze di Machine Learning con scikit-learn e scopri come usare questa libreria Python molto diffusa per addestrare modelli con dati etichettati. In questo corso imparerai a fare previsioni efficaci, ad esempio se un cliente abbandonerà il tuo servizio, se una persona ha il diabete e persino a classificare il genere di una canzone. Utilizzando insiemi di dati reali, vedrai come costruire modelli predittivi, ottimizzarne i parametri e valutare come si comporteranno su dati mai visti.
I video includono trascrizioni in tempo reale che puoi mostrare cliccando "Show transcript" in basso a sinistra nei video.
Il glossario del corso si trova a destra nella sezione delle risorse.
Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione cliccando sul riquadro dei crediti CPE sulla destra.
Prerequisiti
Curriculum
Programma del corso
1
Classificazione
In questo capitolo ti verranno presentati i problemi di classificazione e imparerai a risolverli con tecniche di apprendimento supervisionato. Imparerai a suddividere i dati in training e test set, addestrare un modello, fare previsioni e valutarne l'accuratezza. Scoprirai il rapporto tra complessità del modello e prestazioni, applicando quanto appreso a un insieme di dati di churn, in cui classificherai lo stato di abbandono dei clienti di un'azienda di telecomunicazioni.
- Apprendimento automatico con scikit-learn50 XP
- Classificazione binaria50 XP
- Il flusso di lavoro dell'apprendimento supervisionato100 XP
- La sfida della classificazione50 XP
- k-Nearest Neighbors: Fit100 XP
- k-Nearest Neighbors: Prevedere100 XP
- Misurare le prestazioni del modello50 XP
- Divisione treno/test + calcolo dell'accuratezza100 XP
- Overfitting e underfitting100 XP
- Visualizzazione della complessità del modello100 XP
2
Regressione
In questo capitolo verrai introdotto alla regressione e costruirai modelli per prevedere i valori di vendita utilizzando un insieme di dati sulla spesa pubblicitaria. Imparerai il funzionamento della regressione lineare e le metriche di prestazione più comuni, come R-squared e root mean squared error. Eseguirai una cross-validation a k fold e applicherai la regolarizzazione ai modelli di regressione per ridurre il rischio di overfitting.
3
Ottimizzazione del modello
Dopo aver addestrato i modelli, imparerai a valutarli. In questo capitolo ti verranno presentate diverse metriche e una tecnica di visualizzazione per analizzare le prestazioni dei modelli di classificazione con scikit-learn. Imparerai anche a ottimizzare i modelli di classificazione e regressione tramite il tuning degli iperparametri.
4
Preprocessing e pipeline
Impara a imputare i valori mancanti, convertire i dati categorici in valori numerici, scalare i dati, valutare contemporaneamente più modelli di apprendimento supervisionato e creare pipeline per rendere più efficiente il tuo flusso di lavoro!
Apprendimento supervisionato con scikit-learn
Corso
completato
