After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Învățarea automată este studiul și aplicarea algoritmilor care învață din date și fac predicții pe baza lor. De la rezultatele căutărilor până la mașinile autonome, și-a făcut loc în toate domeniile vieții noastre și reprezintă unul dintre cele mai captivante și mai rapid crescătoare domenii din știința datelor. Acest curs prezintă ideile fundamentale din învățarea automată: cum să construiești și să evaluezi modele predictive, cum să le optimizezi performanța, cum să preprocesezi datele pentru rezultate mai bune și multe altele. Pe parcursul cursului este folosit popularul pachet R caret, care oferă o interfață unitară pentru cele mai puternice facilități de învățare automată din R.
Cerințe prealabile
Curriculum
Structura cursului
1
Modele de regresie: antrenare și evaluarea performanței
În primul capitol al acestui curs, vei antrena modele de regresie cu
train() și vei evalua performanța lor pe date noi folosind validarea încrucișată și eroarea pătratică medie (RMSE).- Bun venit la curs50 XP
- RMSE calculat pe datele de antrenament pentru regresia liniară50 XP
- RMSE pe datele de antrenament pentru regresia liniară pe setul diamonds100 XP
- Măsuri ale erorii pe date noi50 XP
- RMSE în afara eșantionului pentru regresia liniară50 XP
- Ordonează aleatoriu setul de date100 XP
- Încearcă o împărțire 80/20100 XP
- Fă predicții pe setul de testare100 XP
- Calculează RMSE pe setul de testare manual100 XP
- Compararea RMSE pe date noi cu RMSE pe datele de antrenament50 XP
- Validare încrucișată50 XP
- Avantajul validării încrucișate50 XP
- Validare încrucișată cu 10 iterații100 XP
- Validare încrucișată cu 5 segmente100 XP
- Validare încrucișată 5 x 5 pași100 XP
- Realizarea de predicții pe date noi100 XP
2
Modele de clasificare: antrenare și evaluarea performanței
În acest capitol, vei antrena modele de clasificare cu
train() și vei evalua performanța lor pe date noi folosind validarea încrucișată și aria de sub curbă (AUC).3
Ajustarea parametrilor modelului pentru îmbunătățirea performanței
În acest capitol, vei folosi funcția
train() pentru a ajusta parametrii modelului prin validare încrucișată și căutare pe grilă.4
Preprocesarea datelor
În acest capitol, vei exersa utilizarea funcției
train() pentru preprocesarea datelor înainte de antrenarea modelelor, îmbunătățindu-ți capacitatea de a face predicții precise.5
Selectarea modelelor: studiu de caz în predicția abandonului
În ultimul capitol al cursului, vei învăța cum să folosești
resamples() pentru a compara mai multe modele și a-l selecta (sau combina) pe cel mai bun.R
Machine Learning cu caret în R
Curs
finalizat
