Sau khi hoàn thành các khóa học này, tôi cảm thấy tự tin khi tạo các trực quan hóa và bảng điều khiển chuyên nghiệp
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Trong khóa học này, bạn sẽ học cách sử dụng các bộ phân loại tuyến tính, cụ thể là logistic regression và support vector machines, với scikit-learn. Sau khi biết cách áp dụng các phương pháp này, bạn sẽ đi sâu vào các ý tưởng đằng sau chúng và hiểu rõ điều gì khiến chúng hoạt động hiệu quả. Kết thúc khóa học, bạn sẽ biết cách huấn luyện, kiểm thử và tinh chỉnh các bộ phân loại tuyến tính này trong Python. Bạn cũng sẽ có nền tảng khái niệm để hiểu nhiều thuật toán Machine Learning khác.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Áp dụng logistic regression và SVM
Trong chương này, bạn sẽ học những điều cơ bản về cách áp dụng logistic regression và support vector machines (SVM) cho các bài toán phân loại. Bạn sẽ dùng thư viện
scikit-learn để fit các mô hình phân loại vào dữ liệu thực tế.- Ôn lại scikit-learn50 XP
- Phân loại KNN100 XP
- So sánh mô hình50 XP
- Overfitting50 XP
- Ứng dụng logistic regression và SVM50 XP
- Chạy LogisticRegression và SVC100 XP
- Phân tích cảm xúc cho đánh giá phim100 XP
- Bộ phân loại tuyến tính50 XP
- Biên quyết định nào là tuyến tính?50 XP
- Trực quan hóa ranh giới quyết định100 XP
2
Hàm mất mát
Trong chương này, bạn sẽ khám phá khung khái niệm đứng sau logistic regression và SVM. Điều này giúp bạn đi sâu hơn vào cách các mô hình này vận hành bên trong.
3
Logistic regression
Trong chương này, bạn sẽ đào sâu vào chi tiết của logistic regression. Bạn sẽ học về regularization và cách diễn giải đầu ra của mô hình.
4
Support Vector Machines
Trong chương này, bạn sẽ tìm hiểu chi tiết về support vector machines. Bạn sẽ học cách tinh chỉnh siêu tham số cho các mô hình này và sử dụng kernel để fit các biên quyết định phi tuyến.
Bộ phân loại tuyến tính với Python
Hoàn
thành khóa học
