Sariți la conținutul principal

Curs

Învățare supravegheată cu scikit-learn

IntermediarNivel de competențe

Actualizat 12.2025

Începe cursul gratuit

PythonMachine Learning

4 h

15 videoclipuri

49 Exerciții

4,050 XP

280K+

Certificat de realizare

Îndrăgit de cursanți din mii de companii

Formare pentru o echipă?

Încearcă pentru afaceri

Descrierea cursului

Îmbunătățește-ți competențele de machine learning cu scikit-learn și descoperă cum să folosești această populară bibliotecă Python pentru a antrena modele pe date etichetate. În acest curs, vei învăța cum să faci predicții precise – de exemplu, dacă un client va renunța la serviciile companiei tale, dacă o persoană are diabet sau cum să clasifici genul muzical al unui cântec. Folosind seturi de date reale, vei construi modele predictive, le vei ajusta parametrii și vei determina cât de bine se comportă pe date noi.Videoclipurile conțin transcrieri pe care le poți afișa apăsând „Show transcript" în colțul din stânga jos al fiecărui videoclip. Glosarul cursului se găsește în secțiunea de resurse din dreapta.Pentru a obține credite CPE, trebuie să finalizezi cursul și să obții un scor de cel puțin 70% la evaluarea calificată. Poți naviga la evaluare apăsând pe notificarea CPE credits din dreapta.

Cerințe prealabile

Introduction to Statistics in Python

1

Classification

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Machine learning with scikit-learn

Binary classification

The supervised learning workflow

The classification challenge

k-Nearest Neighbors: Fit

k-Nearest Neighbors: Predict

Measuring model performance

Train/test split + computing accuracy

Overfitting and underfitting

Visualizing model complexity

Începe capitolul

2

Regression

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Introduction to regression

Creating features

Building a linear regression model

Visualizing a linear regression model

The basics of linear regression

Fit and predict for regression

Regression performance

Cross-validation

Cross-validation for R-squared

Analyzing cross-validation metrics

Regularized regression

Regularized regression: Ridge

Lasso regression for feature importance

Începe capitolul

3

Fine-Tuning Your Model

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

How good is your model?

Deciding on a primary metric

Assessing a diabetes prediction classifier

Logistic regression and the ROC curve

Building a logistic regression model

The ROC curve

Hyperparameter tuning

Hyperparameter tuning with GridSearchCV

Hyperparameter tuning with RandomizedSearchCV

Începe capitolul

4

Preprocessing and Pipelines

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Preprocessing data

Creating dummy variables

Regression with categorical features

Handling missing data

Dropping missing data

Pipeline for song genre prediction: I

Pipeline for song genre prediction: II

Centering and scaling

Centering and scaling for regression

Centering and scaling for classification

Evaluating multiple models

Visualizing regression model performance

Predicting on the test set

Visualizing classification model performance

Pipeline for predicting song popularity

Congratulations

Începe capitolul

Învățare supravegheată cu scikit-learn

Curs
finalizat

Obține diploma de absolvire

Adaugă această acreditare la profilul tău LinkedIn, CV sau rezumat
Distribuie pe rețelele de socializare și în evaluarea ta de performanțăÎnscrie-te acum

Alătură-te celor peste 19 de milioane de cursanți și începe Învățare supravegheată cu scikit-learn astăzi!

Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil

Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.