After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Utveckla dina maskininlärningsfärdigheter med scikit-learn och lär dig hur du använder det här populära Python-biblioteket för att träna modeller på märkt data. I den här kursen lär du dig att göra kraftfulla förutsägelser – till exempel om en kund kommer att lämna ditt företag, om en person har diabetes, och till och med hur man klassificerar en låts genre. Med hjälp av verkliga datamängder lär du dig att bygga prediktiva modeller, justera deras parametrar och bedöma hur väl de presterar på osedd data.Videorna innehåller livetranskript som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videospelaren.
Kursordlistan hittar du till höger under resurser.För att erhålla CPE-poäng behöver du slutföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du kan navigera till bedömningen genom att klicka på CPE-poäng-länken till höger.
Förkunskapskrav
Kursplan
Kursöversikt
1
Klassificering
I det här kapitlet introduceras du till klassificeringsproblem och lär dig hur du löser dem med övervakade inlärningstekniker. Du lär dig att dela upp data i tränings- och testmängder, anpassa en modell, göra förutsägelser och utvärdera noggrannhet. Du utforskar sambandet mellan modellkomplexitet och prestanda, och tillämpar det du lärt dig på en churn-datamängd där du klassificerar kundbortfall hos ett telekomföretag.
- Maskininlärning med scikit-learn50 XP
- Binär klassificering50 XP
- Arbetsflödet för övervakad inlärning100 XP
- Klassificeringsutmaningen50 XP
- k-Nearest Neighbors: Träna modellen100 XP
- k-Nearest Neighbors: Förutsäg100 XP
- Mäta modellens prestanda50 XP
- Tränings-/testuppdelning och beräkning av träffsäkerhet100 XP
- Överanpassning och underanpassning100 XP
- Visualisera modellkomplexitet100 XP
2
Regression
I det här kapitlet introduceras du till regression och bygger modeller för att förutsäga försäljningsvärden med hjälp av en datamängd om reklamutgifter. Du lär dig om mekaniken bakom linjär regression och vanliga prestandamått som R-kvadrat och rotmedelkvadratfel. Du genomför k-faldig korsvalidering och tillämpar regularisering på regressionsmodeller för att minska risken för överanpassning.
3
Finjustering av din modell
Nu när du har tränat modeller är det dags att lära dig utvärdera dem. I det här kapitlet introduceras du till flera mätvärden samt en visualiseringsteknik för att analysera klassificeringsmodellers prestanda med scikit-learn. Du lär dig också hur du optimerar klassificerings- och regressionsmodeller genom hyperparameterjustering.
4
Förbehandling och pipelines
Lär dig att hantera saknade värden, konvertera kategorisk data till numeriska värden, skala data, utvärdera flera övervakade inlärningsmodeller samtidigt och bygga pipelines för ett smidigare arbetsflöde!
Övervakad inlärning med scikit-learn
Kurs
slutförd
