Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
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
Program nauczania
Plan kursu
1
Klasyfikacja
W tym rozdziale zapoznasz się z problemami klasyfikacji i nauczysz się je rozwiązywać za pomocą technik nadzorowanego uczenia maszynowego. Dowiesz się, jak dzielić dane na zbiory treningowe i testowe, dopasowywać model, generować predykcje oraz oceniać dokładność. Poznasz zależność między złożonością modelu a jego wydajnością – a wszystko to przećwiczysz na zbiorze danych dotyczącym rezygnacji klientów, gdzie będziesz klasyfikować status odejścia klientów firmy telekomunikacyjnej.
- Uczenie maszynowe z scikit-learn50 XP
- Klasyfikacja binarna50 XP
- Przepływ pracy w uczeniu nadzorowanym100 XP
- Wyzwanie klasyfikacji50 XP
- k-Nearest Neighbors: dopasowanie modelu100 XP
- k-Najbliżsi Sąsiedzi: Prognozowanie100 XP
- Pomiar wydajności modelu50 XP
- Podział na zbiór treningowy i testowy oraz obliczanie dokładności100 XP
- Przeuczenie i niedouczenie100 XP
- Wizualizacja złożoności modelu100 XP
2
Regresja
W tym rozdziale zapoznasz się z regresją i zbudujesz modele przewidujące wartości sprzedaży na podstawie zbioru danych dotyczącego wydatków na reklamę. Poznasz mechanizm regresji liniowej oraz popularne miary jakości modelu, takie jak R-kwadrat i pierwiastek ze średniego błędu kwadratowego. Przeprowadzisz k-krotną walidację krzyżową i zastosujesz regularyzację w modelach regresji, aby zmniejszyć ryzyko przeuczenia.
3
Dostrajanie modelu
Po wytrenowaniu modeli nadszedł czas, aby nauczyć się je oceniać. W tym rozdziale poznasz kilka miar jakości oraz technikę wizualizacji służącą do analizy wydajności modeli klasyfikacyjnych w scikit-learn. Dowiesz się również, jak optymalizować modele klasyfikacyjne i regresyjne za pomocą strojenia hiperparametrów.
4
Przetwarzanie wstępne i potoki
Naucz się uzupełniać brakujące wartości, przekształcać dane kategoryczne na liczby, skalować dane, jednocześnie oceniać wiele modeli nadzorowanego uczenia maszynowego oraz budować potoki usprawniające twój przepływ pracy!
Nadzorowane uczenie maszynowe z scikit-learn
Kurs
ukończony
