After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
通过 scikit-learn 提升您的机器学习技能，学习如何使用这一流行的 Python 库在有标签数据上训练模型。在本课程中，您将学习如何进行有效预测，例如客户是否会流失、个人是否患有糖尿病，甚至是对歌曲的流派进行分类。借助真实世界的数据集，您将了解如何构建预测模型、调优其参数，并评估它们在未见过数据上的表现。视频包含实时字幕，您可以点击视频左下角的 "Show transcript" 展开查看。
课程术语表位于右侧的资源部分。若要获得 CPE 学分，您需要完成课程并在合格测评中达到 70% 的得分。您可以点击右侧的 CPE 学分提示跳转至测评页面。
先修要求
课程大纲
课程大纲
1
分类
在本章中，您将认识分类问题，并学习如何用监督学习技术来解决。您将学习如何将数据划分为训练集和测试集、拟合模型、进行预测并评估准确率。您还将了解模型复杂度与性能之间的关系，并将所学应用到一个流失数据集上，对某电信公司的客户流失状态进行分类。
2
回归
本章将向您介绍回归，并使用一个关于广告支出的数据集构建预测销售额的模型。您将学习线性回归的机制，以及 R-squared 和均方根误差等常见性能指标。您还将执行 k 折交叉验证，并对回归模型进行正则化以降低过拟合风险。
3
模型微调
在完成模型训练后，您将进一步学习如何评估模型。本章将向您介绍多种评估指标，以及一种基于 scikit-learn 的可视化技术来分析分类模型表现。您还将学习如何通过超参数调优来优化分类与回归模型。
4
预处理与流水线
学习如何填补缺失值、将分类数据转换为数值、缩放数据、同时评估多个监督学习模型，并构建流水线以优化您的工作流程！
使用 scikit-learn 的监督学习
课程完成
