ข้ามไปยังเนื้อหาหลัก

Courses

Modeling with tidymodels in R

ระดับกลางระดับทักษะ

อัปเดตแล้ว 07/2565

Learn to streamline your machine learning workflows with tidymodels.

เริ่มเรียนหลักสูตรฟรี

RMachine Learning4 ชม.16 videos59 Exercises4,950 เอ็กซ์พี10,696คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Tidymodels is a powerful suite of R packages designed to streamline machine learning workflows. Learn to split datasets for cross-validation, preprocess data with tidymodels' recipe package, and fine-tune machine learning algorithms. You'll learn key concepts such as defining model objects and creating modeling workflows. Then, you'll apply your skills to predict home prices and classify employees by their risk of leaving a company.

ข้อกำหนดเบื้องต้น

Modeling with Data in the Tidyverse

1

Machine Learning with tidymodels

In this chapter, you’ll explore the rich ecosystem of R packages that power tidymodels and learn how they can streamline your machine learning workflows. You’ll then put your tidymodels skills to the test by predicting house sale prices in Seattle, Washington.

The tidymodels ecosystem

50 เอ็กซ์พี

Tidymodels packages

100 เอ็กซ์พี

Creating training and test datasets

100 เอ็กซ์พี

Distribution of outcome variable values

100 เอ็กซ์พี

Linear regression with tidymodels

50 เอ็กซ์พี

Fitting a linear regression model

100 เอ็กซ์พี

Exploring estimated model parameters

50 เอ็กซ์พี

Predicting home selling prices

100 เอ็กซ์พี

Evaluating model performance

50 เอ็กซ์พี

Model performance metrics

100 เอ็กซ์พี

R squared plot

100 เอ็กซ์พี

Complete model fitting process with last_fit()

100 เอ็กซ์พี

เริ่มบท

2

Classification Models

Learn how to predict categorical outcomes by training classification models. Using the skills you’ve gained so far, you’ll predict the likelihood of customers canceling their service with a telecommunications company.

Classification models

50 เอ็กซ์พี

Data resampling

100 เอ็กซ์พี

Fitting a logistic regression model

100 เอ็กซ์พี

Combining test dataset results

100 เอ็กซ์พี

Assessing model fit

50 เอ็กซ์พี

Calculating metrics from the confusion matrix

50 เอ็กซ์พี

Evaluating performance with yardstick

100 เอ็กซ์พี

Creating custom metric sets

100 เอ็กซ์พี

Visualizing model performance

50 เอ็กซ์พี

Plotting the confusion matrix

100 เอ็กซ์พี

ROC curves and area under the ROC curve

100 เอ็กซ์พี

Automating the modeling workflow

50 เอ็กซ์พี

Streamlining the modeling process

100 เอ็กซ์พี

Collecting predictions and creating custom metrics

100 เอ็กซ์พี

Complete modeling workflow

100 เอ็กซ์พี

เริ่มบท

3

Feature Engineering

Find out how to bake feature engineering pipelines with the recipes package. You’ll prepare numeric and categorical data to help machine learning algorithms optimize your predictions.

Feature engineering

50 เอ็กซ์พี

Exploring recipe objects

50 เอ็กซ์พี

Creating recipe objects

100 เอ็กซ์พี

Training a recipe object

100 เอ็กซ์พี

Numeric predictors

50 เอ็กซ์พี

Discovering correlated predictors

100 เอ็กซ์พี

Removing correlated predictors with recipes

100 เอ็กซ์พี

Multiple feature engineering steps

100 เอ็กซ์พี

Nominal predictors

50 เอ็กซ์พี

Applying step_dummy() to predictors

100 เอ็กซ์พี

Ordering of step_*() functions

100 เอ็กซ์พี

Complete feature engineering pipeline

100 เอ็กซ์พี

Complete modeling workflow

50 เอ็กซ์พี

Feature engineering process

100 เอ็กซ์พี

Model training and prediction

100 เอ็กซ์พี

Model performance metrics

100 เอ็กซ์พี

เริ่มบท

4

Workflows and Hyperparameter Tuning

Now it’s time to streamline the modeling process using workflows and fine-tune models with cross-validation and hyperparameter tuning. You’ll learn how to tune a decision tree classification model to predict whether a bank's customers are likely to default on their loan.

Machine learning workflows

50 เอ็กซ์พี

Exploring the loans dataset

100 เอ็กซ์พี

Specifying a model and recipe

100 เอ็กซ์พี

Creating workflows

100 เอ็กซ์พี

Estimating performance with cross validation

50 เอ็กซ์พี

Measuring performance with cross validation

100 เอ็กซ์พี

Cross validation with logistic regression

100 เอ็กซ์พี

Comparing model performance profiles

100 เอ็กซ์พี

Hyperparameter tuning

50 เอ็กซ์พี

Setting model hyperparameters

100 เอ็กซ์พี

Random grid search

100 เอ็กซ์พี

Exploring tuning results

100 เอ็กซ์พี

Selecting the best model

50 เอ็กซ์พี

Finalizing a workflow

100 เอ็กซ์พี

Training a finalized workflow

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Modeling with tidymodels in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Machine Learning Fundamentals in R

Machine Learning Scientist in R

Supervised Machine Learning in R

instructors

David Svancer

Data Scientist

collaborators

Maggie Matsui

Courses resources

Home salesdatasets

Loansdatasets

Telecom datadatasets

Employee datadatasets

Purchase leadsdatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Modeling with tidymodels in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา