After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Các mô hình Machine Learning ngày nay dễ triển khai hơn bao giờ hết. Nhưng nếu không xác thực đúng cách, kết quả khi đưa dữ liệu mới qua mô hình có thể không chính xác như kỳ vọng. Xác thực mô hình giúp bạn tự tin trả lời câu hỏi: mô hình của bạn tốt đến mức nào? Chúng ta sẽ trả lời câu hỏi này cho mô hình phân loại bằng bộ kịch bản kết thúc trò chơi cờ ca-rô (tic-tac-toe) đầy đủ, và cho mô hình hồi quy bằng bộ dữ liệu xếp hạng sức mạnh kẹo Halloween của fivethirtyeight. Trong khóa học này, bạn sẽ được tìm hiểu các kiến thức cơ bản về xác thực mô hình, thảo luận các kỹ thuật xác thực khác nhau, và bắt đầu xây dựng công cụ để tạo ra các mô hình đã được xác thực và có hiệu năng cao.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Mô hình hóa cơ bản với scikit-learn
Trước khi có thể xác thực mô hình, bạn cần hiểu cách tạo và làm việc với chúng. Chương này giới thiệu cách chạy các mô hình hồi quy và phân loại trong scikit-learn. Nền tảng xây dựng mô hình này sẽ được sử dụng xuyên suốt các chương còn lại.
- Giới thiệu về kiểm định mô hình50 XP
- Các bước mô hình hóa50 XP
- Dữ liệu đã thấy vs. chưa thấy100 XP
- Mô hình hồi quy50 XP
- Đặt tham số và huấn luyện mô hình100 XP
- Mức độ quan trọng của đặc trưng100 XP
- Mô hình phân loại50 XP
- Dự đoán phân loại100 XP
- Tái sử dụng tham số mô hình100 XP
- Bộ phân loại random forest100 XP
2
Những điều căn bản về xác thực
Chương này tập trung vào những kiến thức cơ bản của xác thực mô hình. Từ việc chia dữ liệu thành các tập huấn luyện, xác thực và kiểm thử, đến việc hiểu bài toán đánh đổi giữa độ chệch và phương sai (bias-variance tradeoff), chúng ta xây dựng nền tảng cho các kỹ thuật K-Fold và Leave-One-Out sẽ thực hành ở chương ba.
3
Cross Validation
Các tập holdout là một khởi đầu tốt cho xác thực mô hình. Tuy nhiên, chỉ dùng một tập huấn luyện và kiểm thử thường là chưa đủ. Cross-validation được xem là tiêu chuẩn vàng khi đánh giá hiệu năng mô hình và hầu như luôn được dùng khi điều chỉnh siêu tham số của mô hình. Chương này tập trung vào việc thực hiện cross-validation để xác thực hiệu năng mô hình.
4
Chọn mô hình tốt nhất với điều chỉnh siêu tham số.
Ba chương đầu tập trung vào các kỹ thuật xác thực mô hình. Ở chương 4, chúng ta áp dụng các kỹ thuật này—đặc biệt là cross-validation—đồng thời tìm hiểu về điều chỉnh siêu tham số. Suy cho cùng, xác thực mô hình giúp việc điều chỉnh trở nên khả thi và hỗ trợ bạn chọn ra mô hình tổng thể tốt nhất.
Xác thực Mô hình trong Python
Hoàn
thành khóa học
