Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Maskininlärning handlar om att studera och tillämpa algoritmer som lär sig från data och gör förutsägelser utifrån den. Från sökresultat till självkörande bilar finns den överallt i vår vardag och är ett av de mest spännande och snabbväxande forskningsområdena inom datavetenskap. Den här kursen tar upp de centrala idéerna inom maskininlärning: hur du bygger och utvärderar prediktiva modeller, hur du optimerar dem för bästa möjliga prestanda, hur du förbehandlar data för bättre resultat och mycket mer. Det populära R-paketet caret, som erbjuder ett enhetligt gränssnitt till R:s kraftfullaste maskininlärningsverktyg, används genomgående i kursen.
Förkunskapskrav
Kursplan
Kursöversikt
1
Regressionsmodeller: Anpassning och prestandautvärdering
I kursens första kapitel anpassar du regressionsmodeller med
train() och utvärderar deras prestanda på ny data med hjälp av korsvalidering och rotmedelkvadratfel (RMSE).- Välkommen till kursen50 XP
- In-sample RMSE för linjär regression50 XP
- In-sample RMSE för linjär regression på diamonds100 XP
- Felmått för data utanför träningsuppsättningen50 XP
- Out-of-sample RMSE för linjär regression50 XP
- Slumpmässig ordning på dataramen100 XP
- Prova en 80/20-uppdelning100 XP
- Gör förutsägelser på testmängden100 XP
- Beräkna RMSE för testmängden för hand100 XP
- Jämföra RMSE för testdata med RMSE för träningsdata50 XP
- Korsvalidering50 XP
- Fördelen med korsvalidering50 XP
- 10-faldig korsvalidering100 XP
- 5-faldig korsvalidering100 XP
- 5 x 5-faldig korsvalidering100 XP
- Göra prediktioner på nya data100 XP
2
Klassificeringsmodeller: Anpassning och prestandautvärdering
I det här kapitlet anpassar du klassificeringsmodeller med
train() och utvärderar deras prestanda på ny data med hjälp av korsvalidering och arean under kurvan (AUC).3
Finjustering av modellparametrar för förbättrad prestanda
I det här kapitlet använder du funktionen
train() för att justera modellparametrar via korsvalidering och grid search.4
Förbehandling av data
I det här kapitlet övar du på att använda
train() för att förbehandla data innan du anpassar modeller, vilket förbättrar din förmåga att göra träffsäkra förutsägelser.5
Modellval: En fallstudie i churnprediktering
I kursens sista kapitel lär du dig att använda
resamples() för att jämföra flera modeller och välja ut (eller kombinera) de bästa.R
Maskininlärning med caret i R
Kurs
slutförd
