Ana içeriğe atla

Kurs

R ile caret kullanarak Machine Learning

Orta SeviyeBeceri Seviyesi

Güncel 11.2023

Bu ders, tahmin modellerinin nasıl oluşturulacağı ve değerlendirileceği gibi makine öğrenimindeki temel kavramları öğretir.

Kursa Ücretsiz Başlayın

RMachine Learning

4 sa

24 video

88 Egzersiz

6,200 XP

60,670

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Machine learning, verilerden öğrenen ve tahmin yapan algoritmaların incelenmesi ve uygulanmasıdır. Arama sonuçlarından sürücüsüz arabalara kadar hayatımızın her alanında karşımıza çıkar ve veri bilimi dünyasında en heyecan verici, en hızlı büyüyen araştırma alanlarından biridir. Bu kurs, machine learning’in temel fikirlerini öğretir: öngörücü modelleri nasıl kurup değerlendireceğin, en iyi performans için nasıl ayarlayacağın, daha iyi sonuçlar için verileri nasıl ön işleyeceğin ve daha fazlası. R’ın en güçlü machine learning olanaklarına tutarlı bir arayüz sunan popüler caret R paketi, kurs boyunca kullanılacaktır.

Önkoşullar

Introduction to Regression in R

1

Regresyon Modelleri: Uydurma ve Performanslarını Değerlendirme

Bu kursun ilk bölümünde, train() ile regresyon modelleri kuracak ve çapraz doğrulama ile kök ortalama karesel hata (RMSE) kullanarak modelin örnek-dışı performansını değerlendireceksin.

Kursa hoş geldin

Doğrusal regresyon için örneklem içi RMSE

diamonds üzerinde doğrusal regresyon için örneklem içi RMSE

Örnek-dışı hata ölçüleri

Doğrusal regresyon için örnek dışı RMSE

Veri çerçevesini rastgele sırala

%80/%20 bölmeyi dene

Test kümesinde tahmin yap

Test kümesi RMSE'yi elle hesapla

Örnek-dışı RMSE ile örnek-içi RMSE’yi karşılaştırma

Çapraz doğrulama

Çapraz doğrulamanın avantajı

10-katlı çapraz doğrulama

5 katlı çapraz doğrulama

5 x 5 katlı çapraz doğrulama

Yeni veriler üzerinde tahmin yapma

Bölümü Başlat

2

Sınıflandırma Modelleri: Uydurma ve Performanslarını Değerlendirme

Bu bölümde, train() ile sınıflandırma modelleri kuracak ve çapraz doğrulama ile eğri altındaki alan (AUC) kullanarak örnek-dışı performanslarını değerlendireceksin.

Bölümü Başlat

3

Performansı Artırmak için Model Parametrelerini Ayarlama

Bu bölümde, train() fonksiyonunu kullanarak çapraz doğrulama ve ızgara aramasıyla model parametrelerini ince ayar yapacaksın.

Rastgele ormanlar ve şarap

Random forests ve doğrusal modeller

Rastgele orman modeli kur

Daha geniş bir model uzayını keşfet

Daha uzun tune length’in avantajı

Daha uzun bir tuning uzunluğu dene

Özel ayar ızgaraları

Özel bir ayar ızgarasının avantajları

Özel ayarla bir rastgele orman uydur

glmnet'e giriş

glmnet'in avantajı

Özel bir trainControl oluştur

Özel trainControl ile glmnet'i uygula

Özel ayar ızgarasıyla glmnet

Neden özel bir ayar ızgarası?

Özel trainControl ve ayarlamayla glmnet

glmnet grafiklerini yorumlama

Bölümü Başlat

4

Veri Ön İşleme

Bu bölümde, modelleri kurmadan önce verileri ön işlemek için train() kullanmayı pratik yapacak, böylece doğru tahminler yapma becerini geliştireceksin.

Medyanla atama

Medyan ataması vs. satırları çıkarmak

Medyan değer atamasını uygula

KNN ataması

KNN atamasını medyan atamasıyla karşılaştırma

KNN imputasyonu kullan

KNN ve medyan tamlamayı karşılaştır

Birden fazla ön işleme yöntemi

İşlem sırası

Ön işleme yöntemlerini birleştirme

Düşük bilgi içeren yordayıcıları ele alma

Neden sıfıra yakın varyanslı öngörücüleri kaldırmalıyız?

Sıfıra yakın varyanslı yordayıcıları kaldır

preProcess() ve nearZeroVar()

Azaltılmış blood-brain verisiyle model kur

Temel bileşenler analizi (PCA)

nearZeroVar()'a alternatif olarak PCA kullanma

Bölümü Başlat

5

Model Seçimi: Terk (Churn) Tahmini Üzerine Bir Vaka Çalışması

Bu kursun son bölümünde, birden çok modeli karşılaştırmak ve en iyisini seçmek (ya da bir araya getirmek) için resamples() nasıl kullanılır öğreneceksin.

trainControl'u yeniden kullanma

Neden bir trainControl yeniden kullanılır?

Özel train/test indisleri oluştur

glmnet’i yeniden tanıtma

glmnet'i bir temel model olarak kullanmak

Temel modeli uydur

Random forest’u yeniden tanıyalım

Random forest'ın dezavantajı

Özel trainControl ile random forest

Modelleri karşılaştırma

train/test indekslerini eşleştirme

Bir resamples nesnesi oluştur

resamples hakkında daha fazlası

Kutu-bıyık grafiği oluştur

Bir saçılım grafiği oluştur

Modelleri birleştirme (Ensembling)

Bölümü Başlat

R ile caret kullanarak Machine Learning

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 R ile caret kullanarak Machine Learning eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

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