After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Машинне навчання — це вивчення й застосування алгоритмів, які навчаються на даних і роблять передбачення. Від результатів пошуку до безпілотних авто — воно проникло в усі сфери нашого життя й є однією з найцікавіших і найдинамічніших галузей у світі науки про дані. У цьому курсі ви опanuєте ключові ідеї машинного навчання: як будувати й оцінювати прогностичні моделі, як налаштовувати їх для найкращої продуктивності, як попередньо обробляти дані для кращих результатів тощо. Протягом усього курсу використовується популярний пакет R caret, який надає уніфікований інтерфейс до найпотужніших засобів машинного навчання в R.
Попередні вимоги
Навчальний план
Зміст курсу
1
Регресійні моделі: побудова та оцінювання ефективності
У першому розділі курсу ви побудуєте регресійні моделі за допомогою
train() і оціните їхню якість поза вибіркою, використовуючи перехресну перевірку та корінь із середньоквадратичної помилки (RMSE).- Ласкаво просимо до курсу50 XP
- Внутрішньовибіркове RMSE для лінійної регресії50 XP
- RMSE на тренувальних даних для лінійної регресії на diamonds100 XP
- Оцінки похибки поза вибіркою50 XP
- Поза-вибіркова RMSE для лінійної регресії50 XP
- Випадкове упорядкування датафрейму100 XP
- Спробуйте поділ 80/20100 XP
- Прогнозування на тестовій вибірці100 XP
- Розрахуйте RMSE на тестовій вибірці вручну100 XP
- Порівняння позавибіркового RMSE з внутрішньовибірковим RMSE50 XP
- Крос-валідація50 XP
- Перевага крос-валідації50 XP
- 10-кратна крос-валідація100 XP
- 5-фолдова крос-валідація100 XP
- 5 × 5-кратна перехресна перевірка100 XP
- Прогнозування на нових даних100 XP
2
Класифікаційні моделі: побудова та оцінювання ефективності
У цьому розділі ви побудуєте класифікаційні моделі за допомогою
train() і оціните їхню якість поза вибіркою, використовуючи перехресну перевірку та площу під кривою (AUC).3
Налаштування параметрів моделі для підвищення ефективності
У цьому розділі ви використаєте функцію
train(), щоб налаштовувати параметри моделі за допомогою перехресної перевірки та пошуку за сіткою.4
Попередня обробка даних
У цьому розділі ви потренуєтеся використовувати
train() для попередньої обробки даних перед побудовою моделей, щоб підвищити точність передбачень.5
Вибір моделей: кейс передбачення відтоку
У фінальному розділі курсу ви дізнаєтеся, як використовувати
resamples(), щоб порівнювати кілька моделей і обрати найкращі (або створити ансамбль).R
Machine Learning з пакетом caret в R
Курс
завершено
