After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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.
Ön Koşullar
Müfredat
Kurs içeriği
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 geldin50 XP
- Doğrusal regresyon için örneklem içi RMSE50 XP
- diamonds üzerinde doğrusal regresyon için örneklem içi RMSE100 XP
- Örnek-dışı hata ölçüleri50 XP
- Doğrusal regresyon için örnek dışı RMSE50 XP
- Veri çerçevesini rastgele sırala100 XP
- %80/%20 bölmeyi dene100 XP
- Test kümesinde tahmin yap100 XP
- Test kümesi RMSE'yi elle hesapla100 XP
- Örnek-dışı RMSE ile örnek-içi RMSE’yi karşılaştırma50 XP
- Çapraz doğrulama50 XP
- Çapraz doğrulamanın avantajı50 XP
- 10-katlı çapraz doğrulama100 XP
- 5 katlı çapraz doğrulama100 XP
- 5 x 5 katlı çapraz doğrulama100 XP
- Yeni veriler üzerinde tahmin yapma100 XP
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.3
Performansı Artırmak için Model Parametrelerini Ayarlama
Bu bölümde,
train() fonksiyonunu kullanarak çapraz doğrulama ve ızgara aramasıyla model parametrelerini ince ayar yapacaksın.4
Veri Ön İşleme
Bu bölümde, modelleri kurmadan önce verileri ön işlemek için
train() kullanmayı pratik yapacak, böylece doğru tahminler yapma becerini geliştireceksin.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.R
R ile caret kullanarak Machine Learning
Kurs
Tamamlandı
