Przejdź do głównej treści

Strona główna Python

Kurs

Nadzorowane uczenie maszynowe z scikit-learn

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 12.2025

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

15 filmów

49 Ćwiczeń

4,050 XP

280K+

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Rozwijaj swoje umiejętności w zakresie uczenia maszynowego z biblioteką scikit-learn i odkryj, jak używać tej popularnej biblioteki Pythona do trenowania modeli na danych z etykietami. W tym kursie nauczysz się tworzyć skuteczne predykcje – na przykład czy klient odejdzie z firmy, czy dana osoba choruje na cukrzycę, a nawet jak klasyfikować gatunek muzyczny piosenki. Korzystając z rzeczywistych zbiorów danych, dowiesz się, jak budować modele predykcyjne, dostrajać ich parametry i oceniać ich działanie na nieznanych danych.Filmy zawierają transkrypcje na żywo, które możesz wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu odtwarzacza. Glosariusz kursu znajdziesz po prawej stronie, w sekcji materiałów dodatkowych.Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanym teście. Do testu możesz przejść, klikając informację o punktach CPE po prawej stronie.

Wymagania wstępne

Introduction to Statistics in Python

1

Classification

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Machine learning with scikit-learn

Binary classification

The supervised learning workflow

The classification challenge

k-Nearest Neighbors: Fit

k-Nearest Neighbors: Predict

Measuring model performance

Train/test split + computing accuracy

Overfitting and underfitting

Visualizing model complexity

Zacznij rozdział

2

Regression

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Introduction to regression

Creating features

Building a linear regression model

Visualizing a linear regression model

The basics of linear regression

Fit and predict for regression

Regression performance

Cross-validation

Cross-validation for R-squared

Analyzing cross-validation metrics

Regularized regression

Regularized regression: Ridge

Lasso regression for feature importance

Zacznij rozdział

3

Fine-Tuning Your Model

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

How good is your model?

Deciding on a primary metric

Assessing a diabetes prediction classifier

Logistic regression and the ROC curve

Building a logistic regression model

The ROC curve

Hyperparameter tuning

Hyperparameter tuning with GridSearchCV

Hyperparameter tuning with RandomizedSearchCV

Zacznij rozdział

4

Preprocessing and Pipelines

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Preprocessing data

Creating dummy variables

Regression with categorical features

Handling missing data

Dropping missing data

Pipeline for song genre prediction: I

Pipeline for song genre prediction: II

Centering and scaling

Centering and scaling for regression

Centering and scaling for classification

Evaluating multiple models

Visualizing regression model performance

Predicting on the test set

Visualizing classification model performance

Pipeline for predicting song popularity

Congratulations

Zacznij rozdział

Nadzorowane uczenie maszynowe z scikit-learn

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 z scikit-learn 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.