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
Khóa nhập môn Machine Learning ở mức cơ bản này bao quát bốn thuật toán phân loại phổ biến nhất. Bạn sẽ nắm được cách mỗi thuật toán tiếp cận bài toán học, đồng thời học các hàm R cần thiết để áp dụng các công cụ này vào công việc của chính bạn.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
k-Nearest Neighbors (kNN)
Vì thuật toán kNN đúng nghĩa là "học từ ví dụ", đây là điểm khởi đầu điển hình để hiểu Machine Learning có giám sát. Chương này sẽ giới thiệu về phân loại thông qua việc áp dụng kNN để nhận diện biển báo giao thông cho xe tự lái.
- Phân loại với Láng giềng Gần nhất50 XP
- Nhận diện biển báo giao thông với kNN100 XP
- Suy nghĩ như kNN50 XP
- Khám phá bộ dữ liệu biển báo giao thông100 XP
- Phân loại một tập biển báo giao thông100 XP
- Vậy còn chữ 'k' trong kNN là gì?50 XP
- Hiểu tác động của 'k'50 XP
- Thử các giá trị 'k' khác100 XP
- Xem cách các hàng xóm bỏ phiếu100 XP
- Chuẩn bị dữ liệu cho kNN50 XP
- Vì sao cần chuẩn hóa dữ liệu?50 XP
2
Naive Bayes
Naive Bayes dùng các nguyên lý trong thống kê để đưa ra dự đoán. Chương này sẽ giới thiệu những điều cơ bản của phương pháp Bayes và cách áp dụng chúng vào bài toán gợi ý điểm đến giống như trên iPhone.
3
Hồi quy logistic
Hồi quy logistic khớp một đường cong với dữ liệu số để dự đoán các sự kiện nhị phân. Đây có lẽ là một trong những phương pháp Machine Learning được dùng rộng rãi nhất; chương này sẽ phác thảo kỹ thuật này và minh họa cách áp dụng vào dữ liệu gây quỹ.
4
Cây phân loại
Cây phân loại dùng cấu trúc dạng lưu đồ để ra quyết định. Vì con người có thể dễ dàng hiểu các cấu trúc cây này, cây phân loại hữu ích khi cần minh bạch, chẳng hạn trong phê duyệt khoản vay. Chúng ta sẽ dùng bộ dữ liệu Lending Club để mô phỏng kịch bản này.
R
Học có giám sát trong R: Phân loại
Hoàn
thành khóa học
