Ana içeriğe atla

Kurs

Python'da Lineer Sınıflandırıcılar

Orta SeviyeBeceri Seviyesi

Güncel 10.2023

Bu derste lojistik regresyon ve SVM gibi doğrusal sınıflandırıcıların ayrıntılarını öğreneceksiniz.

Kursa Ücretsiz Başlayın

PythonMachine Learning

4 sa

13 video

44 Egzersiz

3,200 XP

66,307

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

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.

Önkoşullar

Supervised Learning with scikit-learn

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 tazeleme

KNN sınıflandırması

Modelleri karşılaştırma

Aşırı Uyum (Overfitting)

Lojistik regresyon ve SVM uygulama

LogisticRegression ve SVC'yi çalıştırma

Film incelemeleri için duygu analizi

Doğrusal sınıflandırıcılar

Hangi karar sınırı doğrusal?

Karar sınırlarını görselleştirme

Bölümü Başlat

2

Kayıp fonksiyonları

Bu bölümde logistic regression ve SVM'lerin arkasındaki kavramsal çerçeveyi keşfedeceksin. Bu sayede bu modellerin iç işleyişine daha derinlemesine dalabileceksin.

Doğrusal sınıflandırıcılar: katsayılar

Modeller nasıl tahmin yapar?

Model katsayılarını değiştirme

Kayıp fonksiyonu nedir?

Bir kayıp fonksiyonunu en aza indirmek

Kayıp fonksiyonu diyagramları

Sınıflandırma kayıp fonksiyonları

Lojistik ve hinge kayıplarını karşılaştırma

Lojistik regresyonu uygulama

Bölümü Başlat

3

Logistic regression

Bu bölümde logistic regression'ın ayrıntılarına ineceksin. Düzenlileştirme hakkında her şeyi ve model çıktısını nasıl yorumlayacağını öğreneceksin.

Lojistik regresyon ve düzenlileştirme

Düzenlileştirilmiş lojistik regresyon

Lojistik regresyon ve özellik seçimi

En olumlu ve en olumsuz kelimeleri belirleme

Lojistik regresyon ve olasılıklar

Sınıf olasılıklarını elde etme

Düzenlileştirme ve olasılıklar

Kolay ve zor örnekleri görselleştirme

Çok sınıflı lojistik regresyon

Katsayıları sayma

Çok sınıflı lojistik regresyonu eğitme

Çok sınıflı lojistik regresyonu görselleştirme

Birine-karşı-geri kalan SVM

Bölümü Başlat

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.

Destek vektörleri

Destek vektörü tanımı

Örnekleri kaldırmanın etkisi

Çekirdek SVM'ler

GridSearchCV ısınma turu

GridSearchCV ile gamma ve C'yi birlikte ayarlama

Lojistik regresyon ile SVM’i (ve ötesini) karşılaştırma

SVM’lerin bir avantajı

Lojistik regresyonun bir avantajı

SGDClassifier kullanma

Bölümü Başlat

Python'da Lineer Sınıflandırıcılar

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python'da Lineer Sınıflandırıcılar eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.