Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Breid je Machine Learning-vaardigheden uit met scikit-learn en ontdek hoe je deze populaire Python-bibliotheek gebruikt om modellen te trainen met gelabelde data. In deze cursus leer je krachtige voorspellingen doen, zoals of een klant zal afhaken bij je bedrijf, of iemand diabetes heeft, en zelfs hoe je het genre van een liedje classificeert. Met echte gegevenssets leer je voorspellende modellen bouwen, hun parameters afstemmen en bepalen hoe goed ze presteren op niet eerder geziene data.De video's bevatten live-transcripten die je kunt tonen door linksonder op de video's op "Show transcript" te klikken.
De begrippenlijst van de cursus vind je rechts bij de bronnen.Om CPE-credits te behalen moet je de cursus afronden en een score van 70% halen op de gekwalificeerde toets. Je kunt naar de toets gaan door rechts op de CPE-credits-callout te klikken.
Vereisten
Lesprogramma
Cursusoverzicht
1
Classificatie
In dit hoofdstuk maak je kennis met classificatieproblemen en leer je hoe je die oplost met supervised learning-technieken. Je leert data opsplitsen in trainings- en testsets, een model fitten, voorspellingen doen en de nauwkeurigheid evalueren. Je ontdekt de relatie tussen modelcomplexiteit en prestaties, en past dit toe op een churn-gegevensset, waarin je de churnstatus van de klanten van een telecombedrijf classificeert.
- Machine Learning met scikit-learn50 XP
- Binaire classificatie50 XP
- De supervised learning-workflow100 XP
- De classificatie-uitdaging50 XP
- k-Nearest Neighbors: Fitten100 XP
- k-Nearest Neighbors: voorspellen100 XP
- Modelprestaties meten50 XP
- Train/test-split + nauwkeurigheid berekenen100 XP
- Overfitting en underfitting100 XP
- Modelcomplexiteit visualiseren100 XP
2
Regressie
In dit hoofdstuk maak je kennis met regressie en bouw je modellen om verkoopwaarden te voorspellen met een gegevensset over advertentie-uitgaven. Je leert over de werking van lineaire regressie en gangbare prestatiemaatstaven zoals R-squared en root mean squared error. Je voert k-fold cross-validatie uit en past regularisatie toe op regressiemodellen om het risico op overfitting te verkleinen.
3
Je model verfijnen
Nu je modellen hebt getraind, leer je hoe je ze evalueert. In dit hoofdstuk maak je kennis met verschillende maatstaven en een visualisatietechniek om de prestaties van classificatiemodellen te analyseren met scikit-learn. Je leert ook hoe je classificatie- en regressiemodellen optimaliseert via hyperparameter tuning.
4
Preprocessing en pipelines
Leer hoe je ontbrekende waarden imputeert, categorische data omzet naar numerieke waarden, data schaalt, meerdere supervised learning-modellen tegelijk evalueert en pipelines bouwt om je workflow te stroomlijnen!
Supervised Learning met scikit-learn
Cursus
voltooid
