หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
พัฒนาทักษะ machine learning ด้วย scikit-learn และเรียนรู้การใช้ไลบรารี Python ยอดนิยมนี้เพื่อฝึกโมเดลจากข้อมูลที่มีป้ายกำกับ ในคอร์สนี้จะได้เรียนรู้การสร้างการพยากรณ์ที่มีประสิทธิภาพ เช่น การคาดการณ์ว่าลูกค้าจะเลิกใช้บริการหรือไม่ การวินิจฉัยว่าบุคคลมีโรคเบาหวานหรือเปล่า และแม้กระทั่งการจำแนกประเภทเพลงตามแนวเพลง โดยใช้ชุดข้อมูลจากสถานการณ์จริง จะได้เรียนรู้การสร้างโมเดลพยากรณ์ การปรับแต่งพารามิเตอร์ และการประเมินประสิทธิภาพของโมเดลกับข้อมูลที่ยังไม่เคยเห็นวิดีโอมีบทถอดเสียงแบบเรียลไทม์ ซึ่งสามารถดูได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ
คำศัพท์ของคอร์สอยู่ในส่วนทรัพยากรทางด้านขวาหากต้องการรับคะแนน CPE ต้องทำคอร์สให้ครบและได้คะแนนอย่างน้อย 70% ในแบบทดสอบที่กำหนด โดยไปที่แบบทดสอบได้โดยคลิกที่ส่วน CPE credits ทางด้านขวา
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
การจำแนกประเภท
ในบทนี้จะได้รู้จักกับปัญหาการจำแนกประเภทและเรียนรู้วิธีแก้ด้วยเทคนิค supervised learning จะได้เรียนรู้การแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ การฟิตโมเดล การทำนายผล และการประเมินความแม่นยำ รวมถึงทำความเข้าใจความสัมพันธ์ระหว่างความซับซ้อนของโมเดลกับประสิทธิภาพ โดยนำไปประยุกต์ใช้กับชุดข้อมูล churn เพื่อจำแนกสถานะการเลิกใช้บริการของลูกค้าบริษัทโทรคมนาคม
- Machine Learning ด้วย scikit-learn50 XP
- การจำแนกประเภทแบบไบนารี50 XP
- ขั้นตอนการทำงานของ Supervised Learning100 XP
- ความท้าทายของการจำแนกประเภท50 XP
- k-Nearest Neighbors: การ Fit โมเดล100 XP
- k-Nearest Neighbors: การพยากรณ์100 XP
- การวัดประสิทธิภาพของโมเดล50 XP
- การแบ่ง Train/Test + การคำนวณความแม่นยำ100 XP
- การ Overfit และ Underfit100 XP
- การแสดงภาพความซับซ้อนของโมเดล100 XP
2
การถดถอย
ในบทนี้จะได้รู้จักกับการถดถอย และสร้างโมเดลเพื่อพยากรณ์ยอดขายโดยใช้ชุดข้อมูลเกี่ยวกับค่าใช้จ่ายด้านโฆษณา จะได้เรียนรู้หลักการของ linear regression และเมตริกวัดประสิทธิภาพที่ใช้บ่อย เช่น R-squared และ root mean squared error รวมถึงการทำ k-fold cross-validation และการใช้ regularization กับโมเดลถดถอยเพื่อลดความเสี่ยงของ overfitting
3
การปรับแต่งโมเดล
หลังจากฝึกโมเดลแล้ว บทนี้จะสอนวิธีประเมินประสิทธิภาพของโมเดล จะได้รู้จักกับเมตริกหลายตัว รวมถึงเทคนิคการแสดงผลเพื่อวิเคราะห์ประสิทธิภาพของโมเดลจำแนกประเภทด้วย scikit-learn นอกจากนี้ยังจะได้เรียนรู้การปรับโมเดลจำแนกประเภทและโมเดลถดถอยให้ดีขึ้นผ่านการ tuning hyperparameter
4
การเตรียมข้อมูลและ Pipeline
เรียนรู้การเติมค่าที่หายไป การแปลงข้อมูลหมวดหมู่เป็นตัวเลข การ scale ข้อมูล การประเมินโมเดล supervised learning หลายตัวพร้อมกัน และการสร้าง pipeline เพื่อทำให้ workflow คล่องตัวขึ้น
Supervised Learning ด้วย scikit-learn
เรียนคอร์สจบแล้ว
