After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Trädbaserade maskininlärningsmodeller kan avslöja komplexa icke-linjära samband i data och dominerar ofta maskininläringstävlingar. I den här kursen använder du paketet tidymodels för att utforska och bygga olika trädbaserade modeller – från enkla beslutsträd till komplexa slumpskogar. Du får också lära dig att använda boostade träd, en kraftfull maskininlärningsteknik som använder ensembleinlärning för att bygga högpresterande prediktiva modeller. Under kursens gång arbetar du med hälso- och kreditriskdata för att förutsäga förekomsten av diabetes och kundbortfall.
Förkunskapskrav
Kursplan
Kursöversikt
1
Klassificeringsträd
Redo att bygga en riktig maskininlärningspipeline? Gå igenom steg-för-steg-övningar och lär dig att skapa beslutsträd, dela upp din data och förutsäga vilka patienter som löper störst risk att drabbas av diabetes. Avslutningsvis bygger du prestationsmått för att utvärdera dina modeller och bedöma dina förutsägelser.
- Välkommen till kursen!50 XP
- Varför trädbaserade metoder?100 XP
- Specificera ditt träd100 XP
- Träna modellen100 XP
- Hur du bygger ditt beslutsträd50 XP
- Tränings- och testuppdelning100 XP
- Undvika klassobalans100 XP
- Från noll till färdig modell100 XP
- Förutsäg och utvärdera50 XP
- Gör förutsägelser100 XP
- Knäck matrisen100 XP
- Förutsäger du rätt?100 XP
2
Regressionsträd och korsvalidering
Redo att dyka in i regressionsträd? Använd ett dataset med chokladbetyg för att bygga regressionsträd och utvärdera deras prestanda med lämpliga felmått. Du övervinner de statistiska svagheterna hos enstaka tränings- och testuppdelningar genom att tillämpa tekniker som korsvalidering, och fördjupar dig ytterligare genom att bemästra avvägningen mellan bias och varians.
3
Hyperparametrar och ensemblemodeller
Dags att ta hyperparametertuning och tolkning av ROC-kurvor (receiver operating characteristic) på allvar. I det här kapitlet utnyttjar du styrkan i ensemblemodeller som bagging och slumpskogar, och bygger ensembler som förutsäger vilka kreditkortskunder som är mest benägna att lämna.
4
Boostade träd
Redo för de mest avancerade trädbaserade modellerna? Tillämpa gradientboostning för att skapa kraftfulla ensembler som överträffar allt du tidigare sett eller byggt. Lär dig att finjustera dem och hur du jämför olika modeller för att välja den bästa för produktion.
R
Maskininlärning med trädbaserade modeller i R
Kurs
slutförd
