Cursus
Machine Learning-sollicitatievragen oefenen in Python
GevorderdVaardigheidsniveau
Bijgewerkt 09-2022Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
PythonMachine Learning4 u16 videos60 Opdrachten4,600 XP11,931Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
Bereid je voor op je sollicitatiegesprek over machine learning
Heb je je ooit afgevraagd hoe je je goed kunt voorbereiden op een sollicitatiegesprek over machine learning? In deze cursus ga je antwoorden voorbereiden op 15 veelvoorkomende vragen over Machine Learning (ML) in Python voor een functie als datawetenschapper.Deze vragen gaan over zeven belangrijke onderwerpen: gegevensvoorbewerking, gegevensvisualisatie, begeleid leren, onbegeleid leren, modelassemblage, modelkeuze en modelevaluatie.
Fris je kennis over machine learning op
Je begint met vragen over het voorbewerken en visualiseren van gegevens. Nadat je alle voorbereidende stappen hebt gedaan, maak je een voorspellend ML-model om je praktische vaardigheden aan te scherpen.Vervolgens behandel je een paar technieken voor begeleid leren, voordat je verdergaat met onbegeleid leren. Afhankelijk van de functie, zul je waarschijnlijk beide onderwerpen behandelen tijdens je sollicitatiegesprek over machine learning.
Tot slot behandel je modelkeuze en -evaluatie, waarbij je kijkt naar hoe je de prestaties voor modelgeneralisatie kunt beoordelen en verschillende technieken bekijkt terwijl je een ensemblemodel bouwt.
Oefenen met antwoorden op de meest voorkomende vragen over machine learning tijdens sollicitatiegesprekken
Aan het einde van de cursus heb je zowel de nodige theoretische kennis als de vaardigheden om Python-code te schrijven om deze 15 vragen goed te beantwoorden.De codevoorbeelden zijn vooral gebaseerd op het scikit-learn-pakket, omdat het makkelijk te gebruiken is en de belangrijkste machine learning-technieken in Python dekt.
De cursus behandelt niet de basisprincipes van machine learning, omdat die al aan bod komen in de vereiste voorkennis voor de cursus.
Vereisten
Unsupervised Learning in PythonSupervised Learning with scikit-learn1
Data Pre-processing and Visualization
In the first chapter of this course, you'll perform all the preprocessing steps required to create a predictive machine learning model, including what to do with missing values, outliers, and how to normalize your dataset.
2
Supervised Learning
In the second chapter of this course, you'll practice different several aspects of supervised machine learning techniques, such as selecting the optimal feature subset, regularization to avoid model overfitting, feature engineering, and ensemble models to address the so-called bias-variance trade-off.
3
Unsupervised Learning
In the third chapter of this course, you'll use unsupervised learning to apply feature extraction and visualization techniques for dimensionality reduction and clustering methods to select not only an appropriate clustering algorithm but optimal cluster number for a dataset.
4
Model Selection and Evaluation
In the fourth and final chapter of this course, you'll really step it up and apply bootstrapping and cross-validation to evaluate performance for model generalization, resampling techniques to imbalanced classes, detect and remove multicollinearity, and build an ensemble model.
Machine Learning-sollicitatievragen oefenen in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Machine Learning-sollicitatievragen oefenen in Python!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.