After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Підготуйтеся до співбесіди з машинного навчання
Чи замислювалися ви коли-небудь, як правильно підготуватися до співбесіди з машинного навчання? У цьому курсі ви підготуєте відповіді на 15 поширених запитань співбесіди з Machine Learning (ML) у Python для ролі data scientist.Ці питання стосуватимуться семи важливих тем: попередня обробка даних, візуалізація даних, навчання з учителем, навчання без учителя, ансамблювання моделей, вибір моделі та оцінювання моделі.
Оновіть свої знання з машинного навчання
Ви почнете з роботи над питаннями попередньої обробки даних і візуалізації даних. Після виконання всіх етапів попередньої обробки ви створите прогностичну ML-модель, щоб удосконалити свої практичні навички.Далі ви ознайомитеся з деякими методами навчання з учителем, перш ніж перейти до навчання без учителя. Залежно від ролі, на співбесіді з машинного навчання вам, імовірно, доведеться охопити обидві теми.
Насамкінець ви завершите вивченням вибору та оцінювання моделей, розглянувши, як оцінювати продуктивність для узагальнення моделі, а також ознайомитеся з різними техніками під час побудови ансамблевої моделі.
Практичні відповіді на найпоширеніші запитання співбесіди з машинного навчання
Наприкінці курсу ви матимете як необхідну теоретичну базу, так і вміння розробляти код на Python, щоб успішно відповісти на ці 15 запитань.Приклади коду будуть переважно базуватися на пакеті scikit-learn, з огляду на його простоту у використанні та здатність охоплювати найважливіші методи машинного навчання мовою Python.
Курс не навчає основ машинного навчання, оскільки вони охоплюються в передумовах курсу.
Попередні вимоги
Навчальний план
Зміст курсу
1
Передоброблення даних і візуалізація
У першому розділі курсу ви виконаєте всі кроки передоброблення, потрібні для створення прогнозної моделі машинного навчання, зокрема опрацювання пропущених значень, викидів і нормалізацію набору даних.
- Оброблення пропущених даних50 XP
- Пошук пропущених значень100 XP
- Проста імпутація100 XP
- Ітеративна імпутація100 XP
- Розподіли даних і перетворення50 XP
- Розподіли та перетворення у тренувальній і тестовій вибірках50 XP
- Розподіли train/test100 XP
- Логарифмічні та степеневі перетворення100 XP
- Викиди в даних та масштабування50 XP
- Виявлення викидів100 XP
- Обробка викидів100 XP
- Стандартизація Z-score100 XP
2
Контрольоване навчання
У другому розділі курсу ви відпрацюєте кілька аспектів методів контрольованого машинного навчання: добір оптимальної підмножини ознак, регуляризацію для уникнення перенавчання моделі, інжиніринг ознак та ансамблеві моделі для розв'язання так званого компромісу зміщення–дисперсії.
3
Неконтрольоване навчання
У третьому розділі курсу ви застосуєте неконтрольоване навчання для видобування ознак і візуалізаційних технік зі зменшення розмірності, а також методів кластеризації, щоб обрати не лише відповідний алгоритм кластеризації, а й оптимальну кількість кластерів для набору даних.
4
Вибір і оцінювання моделей
У четвертому, підсумковому розділі курсу ви підвищите планку: застосуєте бутстреп і перехресну перевірку для оцінювання узагальнювальної здатності моделі, методи ресемплінгу для незбалансованих класів, виявите та усунете мультиколінеарність і побудуєте ансамблеву модель.
Практика співбесід з Machine Learning у Python
Курс
завершено
