После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Развивайте навыки машинного обучения с помощью scikit-learn и узнайте, как использовать эту популярную библиотеку Python для обучения моделей на размеченных данных. В этом курсе вы научитесь делать точные прогнозы: например, уйдёт ли клиент от вашей компании, есть ли у человека диабет и как определить жанр музыкального трека. Работая с реальными наборами данных, вы освоите построение прогностических моделей, настройку их параметров и оценку качества на новых данных.Видеолекции содержат субтитры, которые можно открыть, нажав «Show transcript» в нижнем левом углу плеера.
Глоссарий курса доступен справа в разделе ресурсов.Для получения CPE-кредитов необходимо пройти курс и набрать не менее 70% на итоговом тесте. Перейти к тесту можно, нажав на блок CPE credits справа.
Предварительные требования
Программа
План курса
1
Классификация
В этой главе вы познакомитесь с задачами классификации и научитесь решать их с помощью методов обучения с учителем. Вы узнаете, как разбивать данные на обучающую и тестовую выборки, обучать модель, делать прогнозы и оценивать точность. Вы изучите связь между сложностью модели и её качеством и применит полученные знания на наборе данных об оттоке клиентов, где предстоит определить, покинет ли клиент телекоммуникационную компанию.
- Машинное обучение с scikit-learn50 XP
- Бинарная классификация50 XP
- Рабочий процесс обучения с учителем100 XP
- Задача классификации50 XP
- k-ближайших соседей: обучение модели100 XP
- Метод k ближайших соседей: предсказание100 XP
- Оценка качества модели50 XP
- Разбивка на обучающую и тестовую выборки + вычисление точности100 XP
- Переобучение и недообучение100 XP
- Визуализация сложности модели100 XP
2
Регрессия
В этой главе вы познакомитесь с регрессией и построите модели для прогнозирования объёма продаж на основе данных о рекламных расходах. Вы изучите принципы линейной регрессии и распространённые метрики качества, такие как R-квадрат и среднеквадратичная ошибка. Вы выполните k-кратную перекрёстную проверку и применит регуляризацию к регрессионным моделям, чтобы снизить риск переобучения.
3
Тонкая настройка модели
Обучив модели, вы научитесь их оценивать. В этой главе вы познакомитесь с несколькими метриками и методом визуализации для анализа качества моделей классификации с помощью scikit-learn. Вы также узнаете, как оптимизировать модели классификации и регрессии с помощью подбора гиперпараметров.
4
Предобработка данных и конвейеры
Узнайте, как заполнять пропущенные значения, преобразовывать категориальные данные в числовые, масштабировать данные, одновременно оценивать несколько моделей обучения с учителем и строить конвейеры для автоматизации рабочего процесса!
Обучение с учителем с помощью scikit-learn
Курс
завершён
