After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
Machine Learning은 데이터로부터 학습하고 예측하는 알고리즘을 연구하고 적용하는 분야입니다. 검색 결과부터 자율주행차까지, 우리의 삶 곳곳에 활용되고 있으며 데이터 사이언스에서 가장 흥미롭고 빠르게 성장하는 분야 중 하나입니다. 이 강의에서는 Machine Learning의 핵심 개념을 다룹니다. 예측 모델을 구축하고 성능을 평가하는 방법, 최적의 성능을 위해 튜닝하는 방법, 더 나은 결과를 위한 데이터 전처리 방법 등을 배웁니다. 강의 전반에 걸쳐 R의 인기 패키지인 caret을 사용하여, R의 강력한 Machine Learning 도구들을 일관된 인터페이스로 활용하는 법을 익힙니다.
사전 요구 사항
커리큘럼
코스 개요
1
회귀 모델: 적합과 성능 평가
이 강의의 첫 번째 장에서는
train()으로 회귀 모델을 적합하고, 교차 검증과 평균제곱근오차(RMSE)를 사용해 샘플 외 성능을 평가해 보겠습니다.- 강의에 오신 것을 환영합니다50 XP
- 선형 회귀의 내부 표본 RMSE50 XP
- diamonds 데이터에 대한 선형 회귀의 샘플 내 RMSE100 XP
- 샘플 외 오류 측정치50 XP
- 선형 회귀의 Out-of-sample RMSE50 XP
- 데이터 프레임을 무작위로 섞기100 XP
- 80/20 분할 시도하기100 XP
- 테스트 세트에 예측하기100 XP
- 테스트 세트 RMSE를 직접 계산하기100 XP
- 샘플 외 RMSE와 샘플 내 RMSE 비교하기50 XP
- 교차 검증50 XP
- 교차 검증의 장점50 XP
- 10-겹 교차 검증100 XP
- 5-겹 교차 검증100 XP
- 5 x 5-겹 교차 검증100 XP
- 새 데이터에 대한 예측 만들기100 XP
2
분류 모델: 적합과 성능 평가
이 장에서는
train()으로 분류 모델을 적합하고, 교차 검증과 곡선하면적(AUC)을 사용해 샘플 외 성능을 평가합니다.3
성능 향상을 위한 하이퍼파라미터 튜닝
이 장에서는
train() 함수를 사용해 교차 검증과 그리드 서치를 통해 모델 하이퍼파라미터를 조정합니다.4
데이터 전처리
이 장에서는 모델을 적합하기 전에
train()으로 데이터를 전처리하는 연습을 하여, 더 정확한 예측을 할 수 있도록 역량을 높입니다.5
모델 선택: 이탈(Churn) 예측 사례 연구
이 강의의 마지막 장에서는
resamples()를 사용해 여러 모델을 비교하고, 최적의 모델을 선택하거나 앙상블하는 방법을 배웁니다.R
R의 caret로 배우는 Machine Learning
코스
완료
