After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
У цьому курсі ви навчитеся використовувати лінійні класифікатори, зокрема логістичну регресію та опорні вектори (SVM), у бібліотеці scikit-learn. Опрацювавши застосування цих методів, ви перейдете до ідей, що за ними стоять, і зрозумієте, як саме вони працюють. Наприкінці курсу ви знатимете, як навчати, тестувати та налаштовувати ці лінійні класифікатори в Python. Також ви отримаєте концептуальну базу для розуміння багатьох інших алгоритмів машинного навчання.
Попередні вимоги
Навчальний план
Зміст курсу
1
Застосування логістичної регресії та SVM
У цьому розділі ви вивчите основи застосування логістичної регресії та машин опорних векторів (SVM) до задач класифікації. Ви використаєте бібліотеку
scikit-learn, щоб навчити класифікаційні моделі на реальних даних.- Повторення scikit-learn50 XP
- Класифікація KNN100 XP
- Порівняння моделей50 XP
- Переобладнання50 XP
- Застосування logistic regression та SVM50 XP
- Запуск LogisticRegression і SVC100 XP
- Аналіз тональності рецензій на фільми100 XP
- Лінійні класифікатори50 XP
- Яка межа рішення є лінійною?50 XP
- Візуалізація меж рішень100 XP
2
Функції втрат
У цьому розділі ви ознайомитеся з концептуальною основою логістичної регресії та SVM. Це дасть змогу глибше розібратися у внутрішній роботі цих моделей.
3
Логістична регресія
У цьому розділі ви зануритеся в деталі логістичної регресії. Ви дізнаєтеся все про регуляризацію та як інтерпретувати вихід моделі.
4
Опорні вектори (SVM)
У цьому розділі ви детально розглянете машини опорних векторів. Ви дізнаєтеся про налаштування гіперпараметрів цих моделей і використання ядер для побудови нелінійних меж рішень.
Лінійні класифікатори в Python
Курс
завершено
