Przejdź do głównej treści

Strona główna R

Kurs

Nadzorowane uczenie maszynowe w R: Klasyfikacja

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 04.2026

W tym kursie poznasz podstawy machine learning do klasyfikacji.

Zacznij kurs za darmo

RMachine Learning

4 godz.

14 filmów

55 Ćwiczeń

3,950 XP

100K+

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

To wprowadzenie do uczenia maszynowego dla początkujących omawia cztery najczęściej stosowane algorytmy klasyfikacji. Dowiesz się, jak każdy z nich podchodzi do zadania uczenia, oraz poznasz funkcje R potrzebne do zastosowania tych narzędzi we własnej pracy.

Wymagania wstępne

1

k-Nearest Neighbors (kNN)

Algorytm kNN dosłownie „uczy się na przykładach", co czyni go idealnym punktem wyjścia do zrozumienia nadzorowanego uczenia maszynowego. W tym rozdziale poznasz podstawy klasyfikacji, pracując nad zastosowaniem kNN do rozpoznawania znaków drogowych przez pojazdy autonomiczne.

Klasyfikacja z użyciem najbliższych sąsiadów

Rozpoznawanie znaku drogowego za pomocą kNN

Myślenie jak kNN

Eksploracja zbioru danych ze znakami drogowymi

Klasyfikacja zbioru znaków drogowych

Co oznacza 'k' w kNN?

Wpływ wartości k

Testowanie innych wartości 'k'

Jak głosowali sąsiedzi?

Przygotowanie danych dla kNN

Po co normalizować dane?

Zacznij rozdział

2

Naive Bayes

Naive Bayes wykorzystuje zasady statystyki do tworzenia prognoz. W tym rozdziale poznasz podstawy metod bayesowskich i zobaczysz, jak zastosować je do sugerowania miejsc docelowych – podobnie jak robi to iPhone.

Zrozumieć metody bayesowskie

Obliczanie prawdopodobieństw

Rozumienie zdarzeń zależnych

Prosty model lokalizacji oparty na Naive Bayes

Analiza „surowych" prawdopodobieństw

Rozumienie niezależności

Czym jest „naiwność" Naive Bayes?

Dlaczego „naiwny"?

Bardziej zaawansowany model lokalizacji

Przygotowanie na nieprzewidziane okoliczności

Zrozumienie korekty Laplace'a

Zastosowanie Naive Bayes w innych problemach

Obsługa predyktorów numerycznych

Zacznij rozdział

3

Regresja logistyczna

Regresja logistyczna polega na dopasowaniu krzywej do danych liczbowych w celu przewidywania zdarzeń binarnych. To jedna z najszerzej stosowanych metod uczenia maszynowego. W tym rozdziale poznasz jej podstawy i zobaczysz, jak zastosować ją do analizy danych dotyczących zbierania funduszy.

Przewidywanie wyników binarnych za pomocą regresji

Budowanie prostych modeli regresji logistycznej

Tworzenie predykcji binarnej

Ograniczenia dokładności

Kompromisy w ocenie wydajności modelu

Obliczanie krzywych ROC i AUC

Porównywanie krzywych ROC

Zmienne zastępcze, brakujące dane i interakcje

Kodowanie cech kategorycznych

Obsługa brakujących danych

Rozumienie wskaźników brakujących wartości

Budowanie bardziej zaawansowanego modelu

Automatyczny dobór cech

Pułapki regresji krokowej

Budowanie modelu regresji krokowej

Zacznij rozdział

4

Drzewa klasyfikacyjne

Drzewa klasyfikacyjne podejmują decyzje za pomocą struktur przypominających schematy blokowe. Ponieważ są łatwe do interpretacji, świetnie sprawdzają się wszędzie tam, gdzie liczy się przejrzystość – na przykład przy ocenie wniosków kredytowych. Wykorzystamy zbiór danych Lending Club, aby zasymulować taki scenariusz.

Podejmowanie decyzji za pomocą drzew

Budowanie prostego drzewa decyzyjnego

Wizualizacja drzew klasyfikacyjnych

Jak drzewo podejmuje decyzje

Budowanie większych drzew klasyfikacyjnych

Dlaczego niektóre gałęzie się rozgałęziają?

Tworzenie losowych zbiorów testowych

Budowanie i ocena większego drzewa

Rzetelna ocena wydajności modelu

Pielęgnowanie drzew klasyfikacyjnych

Zapobieganie nadmiernemu rozrostowi drzew

Tworzenie starannie przyciętego drzewa

Dlaczego drzewa decyzyjne korzystają z przycinania?

Las i drzewa – szersze spojrzenie

Zrozumienie lasów losowych

Budowanie modelu lasu losowego

Zacznij rozdział

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Nadzorowane uczenie maszynowe w R: Klasyfikacja już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.