これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
Machine learning は、データから学習し予測を行うアルゴリズムの研究と応用分野です。検索結果から自動運転まで、私たちの生活のあらゆる場面で活用され、データサイエンスの中でも最も刺激的で急成長している分野の一つです。本コースでは、予測モデルの構築と評価、最適な性能に向けたチューニング、より良い結果のための前処理など、Machine Learning の重要な考え方を学びます。R の強力な Machine Learning 機能へ一貫したインターフェースを提供する人気の caret パッケージをコース全体で使用します。
前提条件
カリキュラム
コース概要
1
回帰モデル：学習と性能評価
この章では、
train() で回帰モデルを学習し、交差検証と二乗平均平方根誤差（RMSE）を使って外部データでの性能を評価します。- コースへようこそ50 XP
- 線形回帰のインサンプルRMSE50 XP
- diamonds に対する線形回帰のサンプル内 RMSE100 XP
- サンプル外の誤差指標50 XP
- 線形回帰におけるアウト・オブ・サンプルRMSE50 XP
- データフレームをランダムに並べ替える100 XP
- 80/20 の分割を試す100 XP
- テストセットで予測する100 XP
- テストセットのRMSEを手計算で求める100 XP
- アウトオブサンプルRMSEとインサンプルRMSEの比較50 XP
- クロスバリデーション50 XP
- クロスバリデーションの利点50 XP
- 10-fold クロスバリデーション100 XP
- 5-fold cross-validation100 XP
- 5 × 5-分割の反復クロスバリデーション100 XP
- 新しいデータで予測する100 XP
2
分類モデル：学習と性能評価
この章では、
train() で分類モデルを学習し、交差検証と ROC 曲線下面積（AUC）を使って外部データでの性能を評価します。3
モデルパラメータのチューニングで性能を向上
この章では、
train() 関数を用いて、交差検証とグリッドサーチでモデルパラメータを調整します。4
データの前処理
この章では、モデルを学習する前に
train() でデータ前処理を行い、より正確な予測につなげる練習をします。5
モデル選択：チャーン予測のケーススタディ
最終章では、
resamples() を使って複数モデルを比較し、最良のモデルを選択（またはアンサンブル）する方法を学びます。R
Rで学ぶ caret を使った Machine Learning
コース修了
