Naukowiec ds. uczenia maszynowego w R

W tym kursie poznasz podstawy machine learning do klasyfikacji.

W tym kursie nauczysz się przewidywać przyszłe zdarzenia za pomocą regresji liniowej, uogólnionych modeli addytywnych, lasów losowych i xgboost.

Poznaj zasady feature engineering dla modeli machine learning i wdrażaj je z użyciem frameworka R tidymodels.

Ten kurs wprowadza do klastrowania i redukcji wymiarowości w R z perspektywy uczenia maszynowego.

Wykorzystaj pakiety tidyr i purrr w tidyverse do tworzenia, eksplorowania i oceny modeli uczenia maszynowego.

Naucz się wykonywać regresję liniową i logistyczną z wieloma zmiennymi objaśniającymi.

Zdobądź intuicję, jak działają klastrowanie hierarchiczne i k-means, i naucz się stosować je do wyciągania wniosków z danych.

Ten kurs uczy kluczowych pojęć machine learning, takich jak tworzenie i ocena modeli predykcyjnych.

Usprawnij swoje workflow machine learning z tidymodels.

Poznaj modele drzewiaste i zespoły, by tworzyć predykcje klasyfikacji i regresji z tidymodels.

Poznaj techniki redukcji wymiarowości w R i opanuj selekcję oraz ekstrakcję cech dla własnych danych i modeli.

Ten kurs wprowadza maszynę wektorów nośnych (SVM) w intuicyjny, wizualny sposób.

Poznaj analizę danych bayesowską, jej działanie i dlaczego to przydatne narzędzie w Twoim zestawie narzędzi data science.

Naucz się dostrajać hiperparametry modelu, by uzyskać najlepsze wyniki predykcyjne.

Poznaj metody estymacji bayesowskiej, by trafniej wnioskować o modelach regresji liniowej.

Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.

Naucz się analizować duże zbiory danych za pomocą Spark i pakietu sparklyr w R oraz poznaj Spark MLIb w zaledwie 4 godziny.