After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Förbered dig för din intervju inom maskininlärning
Har du någonsin undrat hur man på rätt sätt förbereder sig inför en intervju inom maskininlärning? I den här kursen kommer du att förbereda svar på 15 vanliga intervjufrågor om Machine Learning (ML) i Python för en roll som data scientist.Dessa frågor kommer att kretsa kring sju viktiga ämnen: datarensning, datavisualisering, övervakad inlärning, oövervakad inlärning, modellensembling, modellval och modelevaluering.
Fräscha upp dina kunskaper i maskininlärning
Du börjar med att arbeta med frågor om databehandling och datavisualisering. Efter att ha utfört alla förbearbetningssteg kommer du att skapa en prediktiv ML-modell för att finslipa dina praktiska färdigheter.Därefter går du igenom några övervakade inlärningstekniker innan du går vidare till oövervakad inlärning. Beroende på rollen kommer du sannolikt att gå igenom båda ämnena i din intervju om maskininlärning.
Slutligen avslutar du med att gå igenom modellval och utvärdering, där du tittar på hur du utvärderar prestanda för modellgeneralisering och utforskar olika tekniker när du bygger en ensemblemodell.
Öva på svar till de vanligaste intervjufrågorna om maskininlärning
I slutet av kursen kommer du att ha både den nödvändiga teoretiska bakgrunden och förmågan att utveckla Python-kod för att framgångsrikt besvara dessa 15 frågor.Kodexemplen kommer främst att baseras på paketet scikit-learn, eftersom det är lätt att använda och kan täcka de viktigaste teknikerna inom maskininlärning i språket Python.
Kursen lär inte ut grunderna i maskininlärning, eftersom dessa täcks av kursens förkunskaper.
Förkunskapskrav
Kursplan
Kursöversikt
1
Dataförbehandling och visualisering
I kursens första kapitel utför du alla förbehandlingssteg som krävs för att skapa en prediktiv maskininlärningsmodell – bland annat hur du hanterar saknade värden och avvikande värden, samt hur du normaliserar din datamängd.
- Hantera saknade värden50 XP
- Jakten på saknade värden100 XP
- Enkel imputering100 XP
- Iterativ imputering100 XP
- Datafördelningar och transformationer50 XP
- Fördelningar och transformationer för tränings- och testdata50 XP
- Fördelningar för träning och test100 XP
- Logaritmisk och potenstransformation100 XP
- Dataavvikare och skalning50 XP
- Avvikelsedetektering100 XP
- Hantera avvikande värden100 XP
- Z-score-standardisering100 XP
2
Övervakat lärande
I kursens andra kapitel övar du på olika aspekter av övervakade maskininlärningstekniker, till exempel val av optimala särdragsurval, regularisering för att undvika överanpassning, särdragskonstruktion och ensemblemodeller för att hantera det så kallade bias-varians-avvägandet.
3
Oövervakat lärande
I kursens tredje kapitel använder du oövervakat lärande för att tillämpa särdragsextraktion och visualiseringstekniker för dimensionsreduktion, samt klustringsmetoder för att välja både lämplig klustringsalgoritm och optimalt antal kluster för en datamängd.
4
Modellval och modellutvärdering
I kursens fjärde och sista kapitel tar du det ett steg längre och tillämpar bootstrapping och korsvalidering för att utvärdera modellgeneralisering, omsamplingsmetoder för obalanserade klasser, samt detekterar och tar bort multikollinearitet och bygger en ensemblemodell.
Öva på maskininlärningsintervjufrågor i Python
Kurs
slutförd
