机器学习科学家 在 R 中

在本课程中，您将学习用于分类的机器学习基础知识。

在本课程中，你将学习如何使用线性回归、广义加性模型、随机森林和xgboost预测未来事件。

学习机器学习模型的特征工程原理，以及如何使用 R tidymodels 框架实现它们。

本课程从机器学习角度介绍 R 中的聚类和降维。

借助 tidyverse 中的 tidyr 和 purrr 包，生成、探索并评估机器学习模型。

学习使用多个解释变量进行线性回归和逻辑回归。

培养对层次聚类和 k-means 聚类工作原理的直觉，并学习如何将其应用于从数据中提取洞察。

This course teaches the big ideas in machine learning like how to build and evaluate predictive models.

用 tidymodels 简化你的机器学习工作流。

学习如何使用基于树的模型和集成，通过 tidymodels 进行分类和回归预测。

学习 R 中的降维技术，掌握特征选择和特征提取，用于你自己的数据和模型。

本课程将通过直观、可视化的方法介绍支持向量机（SVM）。

了解贝叶斯数据分析是什么、如何运作，以及为何它是数据科学工具箱中的实用工具。

学习如何调优模型的超参数，以获得最佳预测结果。

学习如何利用贝叶斯估计方法，更好地推断线性回归模型。

Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.

学习如何使用 Spark 和 R 中的 sparklyr 包进行大数据分析，并在 4 小时内探索 Spark MLIb。