После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
В этом курсе вы узнаете всё о линейных классификаторах — логистической регрессии и методе опорных векторов — и научитесь применять их с помощью scikit-learn. После освоения практических навыков вы разберётесь в теоретических основах этих методов и поймёте, как они работают изнутри. По завершении курса вы будете уметь обучать, тестировать и настраивать линейные классификаторы в Python. Кроме того, вы получите концептуальную базу, которая поможет вам разобраться во многих других алгоритмах машинного обучения.
Предварительные требования
Программа
План курса
1
Логистическая регрессия и метод опорных векторов на практике
В этой главе вы познакомитесь с основами применения логистической регрессии и метода опорных векторов (SVM) для задач классификации. Вы будете использовать библиотеку
scikit-learn, чтобы обучать классификационные модели на реальных данных.- Повторение scikit-learn50 XP
- Классификация методом KNN100 XP
- Сравнение моделей50 XP
- Переобучение50 XP
- Применение логистической регрессии и метода опорных векторов50 XP
- Запуск LogisticRegression и SVC100 XP
- Анализ тональности отзывов к фильмам100 XP
- Линейные классификаторы50 XP
- Какая граница решений является линейной?50 XP
- Визуализация границ решений100 XP
2
Функции потерь
В этой главе вы разберётесь с концептуальными основами логистической регрессии и метода опорных векторов. Это позволит вам глубже понять внутреннее устройство этих моделей.
3
Логистическая регрессия
В этой главе вы подробно изучите логистическую регрессию: узнаете всё о регуляризации и научитесь интерпретировать результаты модели.
4
Метод опорных векторов
В этой главе вы подробно изучите метод опорных векторов: научитесь настраивать гиперпараметры этих моделей и применять ядра для построения нелинейных разделяющих границ.
Линейные классификаторы в Python
Курс
завершён
