After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
W tym kursie nauczysz się wszystkiego o liniowych klasyfikatorach – w szczególności o regresji logistycznej i maszynach wektorów nośnych (SVM) – korzystając z biblioteki scikit-learn. Po opanowaniu tych metod zagłębisz się w idee, które za nimi stoją, i zrozumiesz, jak działają od środka. Pod koniec kursu będziesz wiedzieć, jak trenować, testować i dostrajać liniowe klasyfikatory w Pythonie. Zdobędziesz też solidne podstawy konceptualne przydatne przy nauce wielu innych algorytmów uczenia maszynowego.
Wymagania wstępne
Program kursu
Plan kursu
1
Regresja logistyczna i SVM w praktyce
W tym rozdziale poznasz podstawy stosowania regresji logistycznej i maszyn wektorów nośnych (SVM) do problemów klasyfikacji. Użyjesz biblioteki
scikit-learn, aby dopasować modele klasyfikacji do rzeczywistych danych.- Przypomnienie scikit-learn50 XP
- Klasyfikacja KNN100 XP
- Porównywanie modeli50 XP
- Przetrenowanie (overfitting)50 XP
- Regresja logistyczna i SVM w praktyce50 XP
- Uruchamianie LogisticRegression i SVC100 XP
- Analiza sentymentu recenzji filmowych100 XP
- Klasyfikatory liniowe50 XP
- Która granica decyzyjna jest liniowa?50 XP
- Wizualizacja granic decyzyjnych100 XP
2
Funkcje straty
W tym rozdziale poznasz ramy konceptualne leżące u podstaw regresji logistycznej i SVM. Dzięki temu lepiej zrozumiesz wewnętrzne mechanizmy tych modeli.
3
Regresja logistyczna
W tym rozdziale zagłębisz się w szczegóły regresji logistycznej. Nauczysz się wszystkiego o regularyzacji i interpretacji wyników modelu.
4
Maszyny wektorów nośnych
W tym rozdziale poznasz szczegóły dotyczące maszyn wektorów nośnych. Nauczysz się dostrajać hiperparametry tych modeli oraz używać jąder do dopasowywania nieliniowych granic decyzyjnych.
Liniowe klasyfikatory w Pythonie
Kurs
ukończony
