Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
I den här kursen lär du dig allt om linjära klassificerare – specifikt logistisk regression och support vector machines – med scikit-learn. När du har lärt dig hur du använder dessa metoder går vi djupare in på idéerna bakom dem och undersöker hur de verkligen fungerar. När kursen är slut vet du hur du tränar, testar och finjusterar linjära klassificerare i Python. Du får också en konceptuell grund som hjälper dig att förstå många andra maskininlärningsalgoritmer.
Förkunskapskrav
Kursplan
Kursöversikt
1
Tillämpa logistisk regression och SVM
I det här kapitlet lär du dig grunderna i att tillämpa logistisk regression och support vector machines (SVM) på klassificeringsproblem. Du använder biblioteket
scikit-learn för att anpassa klassificeringsmodeller till verklig data.- Repetition av scikit-learn50 XP
- KNN-klassificering100 XP
- Jämföra modeller50 XP
- Överanpassning50 XP
- Logistisk regression och SVM i praktiken50 XP
- Köra LogisticRegression och SVC100 XP
- Sentimentanalys av filmrecensioner100 XP
- Linjära klassificerare50 XP
- Vilken beslutsgräns är linjär?50 XP
- Visualisera beslutsgränser100 XP
2
Förlustfunktioner
I det här kapitlet utforskar du det konceptuella ramverket bakom logistisk regression och SVM. Det ger dig möjlighet att gå djupare in i hur dessa modeller fungerar på insidan.
3
Logistisk regression
I det här kapitlet går du på djupet med logistisk regression. Du lär dig allt om regularisering och hur du tolkar modellens utdata.
4
Support Vector Machines
I det här kapitlet lär du dig allt om detaljerna kring support vector machines. Du lär dig att finjustera hyperparametrar för dessa modeller och att använda kärnor för att anpassa icke-linjära beslutsgränser.
Linjära klassificerare i Python
Kurs
slutförd
