Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Esta introdução de nível iniciante ao aprendizado de máquina abrange quatro dos algoritmos de classificação mais comuns. Você terá uma compreensão básica de como cada algoritmo aborda uma tarefa de aprendizado, além de aprender as funções do R necessárias para aplicar essas ferramentas ao seu próprio trabalho.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
k-vizinhos mais próximos (kNN)
Como o algoritmo kNN literalmente "aprende pelo exemplo", ele é um exemplo para você começar a entender o aprendizado de máquina supervisionado. Este capítulo apresentará a classificação enquanto você trabalha com a aplicação do kNN no reconhecimento de placas de trânsito de veículos autônomos.
- Classificação com os vizinhos mais próximos50 XP
- Reconhecer uma placa de trânsito com kNN100 XP
- Pensando como vocêNN50 XP
- Explorando o conjunto de dados de sinais de trânsito100 XP
- Classificação de uma coleção de placas de trânsito100 XP
- E quanto ao "k" em kNN?50 XP
- Entendendo o impacto de "k50 XP
- Teste de outros valores "k100 XP
- Ver como os vizinhos votaram100 XP
- Preparação de dados para kNN50 XP
- Por que normalizar os dados?50 XP
2
Naive Bayes
O Naive Bayes usa princípios do campo da estatística para fazer previsões. Este capítulo apresentará os conceitos básicos dos métodos bayesianos e explorará como aplicar essas técnicas a sugestões de destinos semelhantes às do iPhone.
3
Regressão logística
A regressão logística envolve o ajuste de uma curva a dados numéricos para fazer previsões sobre eventos binários. Sem dúvida, um dos métodos de aprendizado de máquina mais usados, este capítulo fornecerá uma visão geral da técnica e ilustrará como aplicá-la aos dados de captação de recursos.
4
Árvores de classificação
As árvores de classificação usam estruturas semelhantes a fluxogramas para tomar decisões. Como os seres humanos podem entender prontamente essas estruturas de árvore, as árvores de classificação são úteis quando a transparência é necessária, como na aprovação de empréstimos. Usaremos o conjunto de dados do Lending Club para simular esse cenário.
R
Aprendizagem supervisionada em R: Classificação
Curso
concluído
