Chuyển đến nội dung chính

Khóa học

Machine Learning với caret trong R

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 11, 2023

Bắt Đầu Khóa Học Miễn Phí

RMachine Learning

4 gio

24 video

88 Bài tập

6,200 XP

60,672

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Machine learning là lĩnh vực nghiên cứu và ứng dụng các thuật toán có khả năng học từ dữ liệu và đưa ra dự đoán. Từ kết quả tìm kiếm đến xe tự lái, nó đã hiện diện trong mọi mặt của đời sống và là một trong những lĩnh vực nghiên cứu thú vị, phát triển nhanh nhất trong khoa học dữ liệu. Khóa học này dạy bạn những ý tưởng cốt lõi trong machine learning: cách xây dựng và đánh giá mô hình dự đoán, cách tinh chỉnh để đạt hiệu năng tối ưu, cách tiền xử lý dữ liệu để có kết quả tốt hơn, và nhiều nội dung khác. Gói R phổ biến caret, cung cấp một giao diện thống nhất tới các năng lực machine learning mạnh mẽ nhất của R, sẽ được sử dụng xuyên suốt khóa học.

Điều kiện tiên quyết

Introduction to Regression in R

1

Mô hình hồi quy: Huấn luyện và đánh giá hiệu năng

Trong chương đầu tiên, bạn sẽ huấn luyện các mô hình hồi quy với train() và đánh giá hiệu năng ngoài mẫu bằng cross-validation và sai số căn phương bình phương trung bình (RMSE).

Chào mừng bạn đến với khóa học

RMSE trong mẫu cho hồi quy tuyến tính

RMSE trong mẫu cho hồi quy tuyến tính trên diamonds

Thước đo lỗi ngoài mẫu

RMSE ngoài mẫu cho hồi quy tuyến tính

Xáo trộn thứ tự ngẫu nhiên của data frame

Thử chia 80/20

Dự đoán trên tập kiểm tra

Tự tính RMSE trên tập test

So sánh RMSE ngoài mẫu với RMSE trong mẫu

Cross-validation

Ưu điểm của cross-validation

Cross-validation 10-fold

Cross-validation 5-fold

Cross-validation 5 x 5-fold

Tạo dự đoán trên dữ liệu mới

Bắt Đầu Chương

2

Mô hình phân loại: Huấn luyện và đánh giá hiệu năng

Trong chương này, bạn sẽ huấn luyện các mô hình phân loại với train() và đánh giá hiệu năng ngoài mẫu bằng cross-validation và diện tích dưới đường cong (AUC).

Bắt Đầu Chương

3

Tinh chỉnh tham số mô hình để cải thiện hiệu năng

Trong chương này, bạn sẽ dùng hàm train() để điều chỉnh tham số mô hình thông qua cross-validation và grid search.

Random forest và rượu vang

Random forests so với mô hình tuyến tính

Huấn luyện một random forest

Khám phá không gian mô hình rộng hơn

Lợi thế của tune length dài hơn

Thử tăng độ dài tinh chỉnh

Tự tạo lưới tham số tinh chỉnh

Lợi ích của một lưới tinh chỉnh tùy chỉnh

Huấn luyện random forest với tinh chỉnh tùy chỉnh

Giới thiệu về glmnet

Ưu điểm của glmnet

Tạo một trainControl tùy chỉnh

Huấn luyện glmnet với trainControl tùy chỉnh

glmnet với lưới tinh chỉnh tùy chỉnh

Vì sao cần lưới tinh chỉnh tùy chỉnh?

glmnet với trainControl và tinh chỉnh tùy chỉnh

Diễn giải các biểu đồ glmnet

Bắt Đầu Chương

4

Tiền xử lý dữ liệu

Trong chương này, bạn sẽ thực hành dùng train() để tiền xử lý dữ liệu trước khi huấn luyện mô hình, giúp nâng cao độ chính xác dự đoán.

Điền giá trị thiếu bằng trung vị

Bù trung vị so với bỏ hàng

Áp dụng phép thế giá trị trung vị (median imputation)

Bù khuyết bằng KNN

So sánh bù giá trị khuyết bằng KNN với bù theo trung vị

Dùng KNN imputation

So sánh điền khuyết KNN và điền khuyết theo trung vị

Kết hợp nhiều phương pháp tiền xử lý

Thứ tự thực hiện

Kết hợp các phương pháp tiền xử lý

Xử lý các biến dự báo ít thông tin

Vì sao nên loại bỏ các biến dự báo có phương sai gần bằng 0?

Loại bỏ các biến dự báo có phương sai gần như bằng 0

preProcess() và nearZeroVar()

Huấn luyện mô hình trên dữ liệu blood-brain đã rút gọn

Phân tích thành phần chính (PCA)

Dùng PCA như một lựa chọn thay thế cho nearZeroVar()

Bắt Đầu Chương

5

Chọn mô hình: Nghiên cứu tình huống về dự đoán rời bỏ (churn)

Trong chương cuối của khóa học, bạn sẽ học cách dùng resamples() để so sánh nhiều mô hình và chọn (hoặc ensemble) mô hình tốt nhất.

Tái sử dụng một trainControl

Vì sao nên tái sử dụng trainControl?

Tạo các chỉ mục train/test tùy chỉnh

Giới thiệu lại glmnet

glmnet như một mô hình chuẩn so sánh (baseline)

Huấn luyện mô hình baseline

Nhắc lại random forest

Hạn chế của random forest

Random forest với trainControl tùy chỉnh

So sánh mô hình

Khớp chỉ mục train/test

Tạo một đối tượng resamples

Tìm hiểu thêm về resamples

Tạo biểu đồ hộp (box-and-whisker)

Tạo biểu đồ phân tán

Ensemble mô hình

Tổng kết

Bắt Đầu Chương

Machine Learning với caret trong R

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Machine Learning với caret trong R ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.