Ga naar hoofdinhoud
HomePython

Cursus

Supervised Learning met scikit-learn

GemiddeldVaardigheidsniveau
Bijgewerkt 12-2025
Start Cursus Kosteloos
PythonMachine Learning
4 u
15 videos
49 Opdrachten
4,050 XP
280K+
Bewijs van Prestatie

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

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

Group

Een team trainen?

Probeer voor bedrijven

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

Introduction to Statistics in Python
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.
Hoofdstuk beginnen
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.
Hoofdstuk beginnen
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.
Hoofdstuk beginnen
Supervised Learning met scikit-learn
Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprek
Schrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Supervised Learning met scikit-learn!

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of


Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.