Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Uczenie maszynowe to dziedzina zajmująca się algorytmami, które uczą się na podstawie danych i wyciągają z nich wnioski. Od wyników wyszukiwania po autonomiczne samochody – jest obecne w niemal każdym obszarze naszego życia i stanowi jeden z najbardziej ekscytujących oraz dynamicznie rozwijających się obszarów data science. Kurs ten wprowadza w najważniejsze idee uczenia maszynowego: jak budować i oceniać modele predykcyjne, jak dostrajać je pod kątem optymalnej wydajności, jak przetwarzać dane wstępnie, aby uzyskać lepsze wyniki, i wiele więcej. Przez cały kurs korzystamy z popularnego pakietu caret dla R, który zapewnia spójny interfejs do wszystkich najważniejszych narzędzi uczenia maszynowego dostępnych w R.
Wymagania wstępne
Program nauczania
Plan kursu
1
Modele regresji: dopasowanie i ocena wydajności
W pierwszym rozdziale kursu dopasowujesz modele regresji za pomocą
train() i oceniasz ich wydajność na danych testowych, korzystając z walidacji krzyżowej i pierwiastka błędu średniokwadratowego (RMSE).- Witaj na kursie50 XP
- RMSE obliczane na zbiorze treningowym w regresji liniowej50 XP
- RMSE na danych treningowych dla regresji liniowej na zbiorze diamonds100 XP
- Miary błędu na danych spoza próby50 XP
- RMSE na danych spoza próby dla regresji liniowej50 XP
- Losowe przestawienie kolejności ramki danych100 XP
- Wypróbuj podział 80/20100 XP
- Przewidywanie na zbiorze testowym100 XP
- Ręczne obliczenie RMSE na zbiorze testowym100 XP
- Porównanie RMSE na zbiorze testowym z RMSE na zbiorze treningowym50 XP
- Walidacja krzyżowa50 XP
- Zaleta walidacji krzyżowej50 XP
- 10-krotna walidacja krzyżowa100 XP
- 5-krotna walidacja krzyżowa100 XP
- Kroswalidacja 5 x 5-krotna100 XP
- Przewidywanie na nowych danych100 XP
2
Modele klasyfikacji: dopasowanie i ocena wydajności
W tym rozdziale dopasowujesz modele klasyfikacji za pomocą
train() i oceniasz ich wydajność na danych testowych, korzystając z walidacji krzyżowej i pola pod krzywą (AUC).3
Dostrajanie parametrów modelu w celu poprawy wydajności
W tym rozdziale używasz funkcji
train() do dostrajania parametrów modelu za pomocą walidacji krzyżowej i przeszukiwania siatki.4
Przetwarzanie wstępne danych
W tym rozdziale ćwiczysz zastosowanie
train() do wstępnego przetwarzania danych przed dopasowaniem modeli, co pozwala na trafniejsze przewidywania.5
Wybór modelu: studium przypadku – przewidywanie rezygnacji klientów
W ostatnim rozdziale kursu uczysz się, jak używać
resamples() do porównywania wielu modeli i wyboru (lub łączenia) najlepszych z nich.R
Uczenie maszynowe z caret w R
Kurs
ukończony
