Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Machine Learning is het bestuderen en toepassen van algoritmen die leren van data en hierop voorspellingen doen. Van zoekresultaten tot zelfrijdende auto’s: het is overal om ons heen en een van de meest spannende en snelgroeiende onderzoeksgebieden binnen data science. In deze cursus leer je de kernideeën van Machine Learning: hoe je voorspellende modellen bouwt en evalueert, hoe je ze afstemt voor optimale prestaties, hoe je data vooraf bewerkt voor betere resultaten, en meer. We gebruiken door de hele cursus het populaire R-pakket caret, dat een consistente interface biedt naar de krachtigste Machine Learning-mogelijkheden in R.
Vereisten
Lesprogramma
Cursusoverzicht
1
Regressiemodellen: fitten en hun prestaties evalueren
In de eerste hoofdstuk van deze cursus fit je regressiemodellen met
train() en evalueer je hun out-of-sample prestaties met cross-validatie en root-mean-square error (RMSE).- Welkom bij de cursus50 XP
- In-sample RMSE voor lineaire regressie50 XP
- In-sample RMSE voor lineaire regressie op diamonds100 XP
- Foutmaten voor out-of-sample50 XP
- Out-of-sample RMSE voor lineaire regressie50 XP
- Zet de data frame willekeurig in een andere volgorde100 XP
- Probeer een 80/20-splitsing100 XP
- Voorspellen op testset100 XP
- Bereken de RMSE op de testset met de hand100 XP
- Out-of-sample RMSE vergelijken met in-sample RMSE50 XP
- Cross-validatie50 XP
- Voordeel van cross-validatie50 XP
- 10-voudige cross-validatie100 XP
- 5-voudige cross-validatie100 XP
- 5 x 5-fold cross-validatie100 XP
- Voorspellingen maken op nieuwe gegevens100 XP
2
Classificatiemodellen: fitten en hun prestaties evalueren
In dit hoofdstuk fit je classificatiemodellen met
train() en evalueer je hun out-of-sample prestaties met cross-validatie en area under the curve (AUC).3
Modelparameters afstemmen voor betere prestaties
In dit hoofdstuk gebruik je de functie
train() om modelparameters te finetunen via cross-validatie en grid search.4
Data pre-processen
In dit hoofdstuk oefen je met
train() om data te pre-processen voordat je modellen fit, zodat je nauwkeurigere voorspellingen kunt maken.5
Modellen selecteren: een casestudy in churnvoorspelling
In het laatste hoofdstuk van deze cursus leer je hoe je
resamples() gebruikt om meerdere modellen te vergelijken en de beste(n) te selecteren (of te ensemblen).R
Machine Learning met caret in R
Cursus
voltooid
