După ce am parcurs aceste cursuri, mă simt încrezător să creez vizualizări și tablouri de bord profesionale
Shoebur RahmanSpecialist în achiziții, Giz Bangladesh
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
Programă
Planul cursului
1
Clasificare
În acest capitol, vei face cunoștință cu problemele de clasificare și vei învăța cum să le rezolvi folosind tehnici de învățare supravegheată. Vei afla cum să împarți datele în seturi de antrenament și de testare, cum să antrenezi un model, să faci predicții și să evaluezi acuratețea acestuia. Vei explora relația dintre complexitatea modelului și performanța sa, aplicând ce ai învățat pe un set de date despre renunțarea clienților, unde vei clasifica statutul de churn al clienților unei companii de telecomunicații.
- Învățare automată cu scikit-learn50 XP
- Clasificare binară50 XP
- Fluxul de lucru în învățarea supervizată100 XP
- Provocarea clasificării50 XP
- k-Nearest Neighbors: Antrenare100 XP
- k-Nearest Neighbors: Predicție100 XP
- Măsurarea performanței modelului50 XP
- Împărțirea în seturi de antrenament/testare + calcularea acurateței100 XP
- Supraadaptare și subadaptare100 XP
- Vizualizarea complexității modelului100 XP
2
Regresie
În acest capitol, vei face cunoștință cu regresia și vei construi modele pentru a prezice valori de vânzări folosind un set de date despre cheltuielile de publicitate. Vei învăța cum funcționează regresia liniară și vei descoperi metrici comune de performanță, precum R-pătrat și eroarea pătratică medie. Vei aplica validarea încrucișată k-fold și vei folosi regularizarea în modelele de regresie pentru a reduce riscul de supraadaptare.
3
Ajustarea modelului
După ce ai antrenat modele, acum vei învăța cum să le evaluezi. În acest capitol, vei descoperi mai multe metrici și o tehnică de vizualizare pentru analiza performanței modelelor de clasificare folosind scikit-learn. Vei afla, de asemenea, cum să optimizezi modelele de clasificare și regresie prin ajustarea hiperparametrilor.
4
Preprocesare și pipeline-uri
Învață cum să imputezi valorile lipsă, să convertești datele categorice în valori numerice, să scalezi datele, să evaluezi simultan mai multe modele de învățare supravegheată și să construiești pipeline-uri care îți eficientizează fluxul de lucru!
Învățare supravegheată cu scikit-learn
Curs
finalizat
