Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Shoebur RahmanSatın Alma Uzmanı, Giz Bangladesh
Kurs Açıklaması
Bu kursta, özellikle logistic regression ve support vector machines ile scikit-learn kullanarak lineer sınıflandırıcıları nasıl kullanacağını öğreneceksin. Bu yöntemleri uygulamayı öğrendikten sonra, arkalarındaki fikirleri keşfedecek ve onları gerçekten çalıştıran şeyin ne olduğunu anlayacaksın. Kursun sonunda, Python'da bu lineer sınıflandırıcıları nasıl eğiteceğini, test edeceğini ve ayarlayacağını bileceksin. Ayrıca, birçok başka Machine Learning algoritmasını anlaman için kavramsal bir temele sahip olacaksın.
Ön Koşullar
Müfredat
Kurs planı
1
Logistic regression ve SVM uygulamak
Bu bölümde logistic regression ve support vector machines (SVM'ler) yöntemlerini sınıflandırma problemlerine uygulamanın temelini öğreneceksin. Gerçek verilere sınıflandırma modelleri uydurmak için
scikit-learn kütüphanesini kullanacaksın.- scikit-learn tazeleme50 XP
- KNN sınıflandırması100 XP
- Modelleri karşılaştırma50 XP
- Aşırı Uyum (Overfitting)50 XP
- Lojistik regresyon ve SVM uygulama50 XP
- LogisticRegression ve SVC'yi çalıştırma100 XP
- Film incelemeleri için duygu analizi100 XP
- Doğrusal sınıflandırıcılar50 XP
- Hangi karar sınırı doğrusal?50 XP
- Karar sınırlarını görselleştirme100 XP
2
Kayıp fonksiyonları
Bu bölümde logistic regression ve SVM'lerin arkasındaki kavramsal çerçeveyi keşfedeceksin. Bu sayede bu modellerin iç işleyişine daha derinlemesine dalabileceksin.
3
Logistic regression
Bu bölümde logistic regression'ın ayrıntılarına ineceksin. Düzenlileştirme hakkında her şeyi ve model çıktısını nasıl yorumlayacağını öğreneceksin.
4
Support Vector Machines
Bu bölümde support vector machines'in tüm ayrıntılarını öğreneceksin. Bu modeller için hiperparametre ayarlamayı ve çekirdekleri kullanarak doğrusal olmayan karar sınırlarını uydurmayı göreceksin.
Python'da Lineer Sınıflandırıcılar
Kurs
Tamamlandı
