After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
scikit-learn ile Machine Learning becerilerini geliştir ve bu popüler Python kütüphanesini etiketli verilerle modeller eğitmek için nasıl kullanacağını keşfet. Bu kursta, bir müşterinin işletmenden ayrılıp ayrılmayacağı (churn), bir kişide diyabet olup olmadığı ve hatta bir şarkının türünü sınıflandırma gibi güçlü tahminler yapmayı öğreneceksin. Gerçek dünya veri kümelerini kullanarak kestirimci modeller kuracak, onların hiperparametrelerini ayarlayacak ve görülmemiş verilerde ne kadar iyi performans göstereceklerini belirleyeceksin.Videolarda, videoların sol alt kısmındaki "Show transcript" seçeneğine tıklayarak açabileceğin canlı altyazılar bulunur.
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.CPE kredilerini almak için kursu tamamlaman ve nitelikli değerlendirmede yüzde 70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri bildirimine tıklayarak değerlendirmeye gidebilirsin.
Ön Koşullar
Müfredat
Kurs içeriği
1
Sınıflandırma
Bu bölümde sınıflandırma problemleriyle tanışacak ve bunları supervised learning teknikleriyle nasıl çözeceğini öğreneceksin. Veriyi eğitim ve test kümelerine ayırmayı, bir modeli eğitmeyi, tahmin yapmayı ve doğruluğu değerlendirmeyi göreceksin. Model karmaşıklığı ile performans arasındaki ilişkiyi keşfedecek ve öğrendiklerini bir churn veri kümesine uygulayarak, bir telekom şirketinin müşterilerinin churn durumunu sınıflandıracaksın.
- scikit-learn ile Machine Learning50 XP
- İkili sınıflandırma50 XP
- Supervised learning iş akışı100 XP
- Sınıflandırma meydan okuması50 XP
- k-En Yakın Komşular: Modeli Uydur100 XP
- k-En Yakın Komşu: Tahmin100 XP
- Model performansını ölçmek50 XP
- Eğitim/test ayrımı + doğruluk hesaplama100 XP
- Aşırı uyum ve yetersiz uyum100 XP
- Model karmaşıklığını görselleştirme100 XP
2
Regresyon
Bu bölümde regresyona giriş yapacak ve reklam harcamalarına ilişkin bir veri kümesini kullanarak satış değerlerini tahmin eden modeller kuracaksın. Doğrusal regresyonun işleyişini ve R-kare ile kök ortalama kare hata gibi yaygın performans ölçütlerini öğreneceksin. k-katlı çapraz doğrulama yapacak ve aşırı uyum riskini azaltmak için regresyon modellerine düzenlileştirme uygulayacaksın.
3
Modelini İnce Ayarlama
Modelleri eğittikten sonra, şimdi onları nasıl değerlendireceğini öğreneceksin. Bu bölümde scikit-learn kullanarak sınıflandırma modeli performansını analiz etmek için birkaç ölçüt ve bir görselleştirme tekniğiyle tanışacaksın. Ayrıca hiperparametre ayarlaması yoluyla sınıflandırma ve regresyon modellerini nasıl optimize edeceğini öğreneceksin.
4
Önişleme ve Boru Hatları
Eksik değerleri atama, kategorik verileri sayısal değerlere dönüştürme, veriyi ölçekleme, birden fazla supervised learning modelini aynı anda değerlendirme ve iş akışını hızlandırmak için boru hatları kurmayı öğren!
scikit-learn ile Supervised Learning
Kurs
Tamamlandı
