After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
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
Curriculum
Cursusoverzicht
1
Gegevensvoorbewerking en visualisatie
In het eerste hoofdstuk van deze cursus voer je alle stappen voor voorbewerking uit die nodig zijn om een voorspellend machine learning-model te maken, waaronder wat je doet met missende waarden, uitschieters en hoe je je gegevensset normaliseert.
- Omgaan met ontbrekende gegevens50 XP
- Op jacht naar missende waarden100 XP
- Eenvoudige imputatie100 XP
- Iteratieve imputatie100 XP
- Gegevensverdelingen en transformaties50 XP
- Training- vs. testset: verdelingen en transformaties50 XP
- Train/test-verdelingen100 XP
- Log- en machts-transformaties100 XP
- Uitschieters in data en schalen50 XP
- Detectie van uitschieters100 XP
- Uitschieters verwerken100 XP
- Z-score-standardisatie100 XP
2
Supervised learning
In het tweede hoofdstuk van deze cursus oefen je verschillende aspecten van supervised machine learning-technieken, zoals het selecteren van de optimale subset van features, regularisatie om overfitting te voorkomen, feature engineering en ensemblemodellen om de zogeheten bias-variance trade-off aan te pakken.
3
Unsupervised learning
In het derde hoofdstuk van deze cursus gebruik je unsupervised learning om feature-extractie en visualisatietechnieken voor dimensiereductie toe te passen, en clusteringmethoden om niet alleen een geschikt clusteringalgoritme te kiezen, maar ook het optimale aantal clusters voor een gegevensset.
4
Modelselectie en -evaluatie
In het vierde en laatste hoofdstuk van deze cursus ga je echt een stap verder en pas je bootstrapping en cross-validatie toe om prestaties voor modelgeneralisatie te evalueren, resamplingtechnieken voor onevenwichtige klassen, detecteer en verwijder je multicollineariteit en bouw je een ensemblemodel.
Machine Learning-sollicitatievragen oefenen in Python
Cursus
voltooid
