After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
コース説明
Machine Learning のモデルは、これまでになく簡単に実装できるようになりました。しかし、適切な検証を行わないと、新しいデータをモデルに通したときの結果は期待どおりの精度にならないことがあります。モデル検証を行うことで、「このモデルはどれくらい良いのか？」という問いに自信を持って答えられます。本コースでは、分類モデルについては三目並べ（tic-tac-toe）の終局パターンの完全なセットを、回帰モデルについては fivethirtyeight のハロウィンキャンディ総合ランキングのデータセットを用いて、この問いに答えていきます。コース全体を通して、モデル検証の基本、さまざまな検証手法の解説、そして検証済みで高性能なモデルを作るためのツールの基礎を身につけます。
前提条件
カリキュラム
コース概要
1
scikit-learn による基本的なモデリング
モデルを検証する前に、まずはモデルの作成と扱い方を理解する必要があります。本章では、scikit-learn を使った回帰モデルと分類モデルの実行方法を紹介します。ここで学ぶモデル構築の基礎は、以降の章でも繰り返し活用していきます。
2
検証の基本
この章では、モデル検証の基本に焦点を当てます。データを学習・検証・テスト用に分割する方法から、バイアス–バリアンストレードオフの理解までを扱い、第3章で実践する K-Fold や Leave-One-Out 検証の土台を築きます。
3
クロスバリデーション
ホールドアウトセットは、モデル検証の良い出発点です。ただし、単一の学習・テスト分割だけでは不十分なことがよくあります。クロスバリデーションはモデル性能の検証における標準的手法とされ、ハイパーパラメータのチューニングでもほぼ必ず使われます。この章では、クロスバリデーションを実行してモデルの性能を検証する方法に焦点を当てます。
4
ハイパーパラメータチューニングで最適モデルを選ぶ
最初の3章ではモデル検証の手法に焦点を当てました。第4章では、特にクロスバリデーションを使いながら、ハイパーパラメータチューニングを学び、これらの手法を実際に適用します。検証があるからこそチューニングが可能になり、全体として最良のモデルを選択できるのです。
Python によるモデル検証
コース修了
