Name: Nadzorowane uczenie maszynowe z scikit-learn
Rating: 4.800208357448779 (8639 reviews)

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

Program kursu

Plan kursu

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.

Rozpocznij rozdział

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.

Rozpocznij rozdział

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.

Rozpocznij rozdział

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!