Data Science, Python, SK Learn, Decision Trees, Random Forests, KNNs, Ridge Lasso Regression, SVMs
Yang akan Anda pelajari
-
Algoritma Regresi dan Klasifikasi
-
Menggunakan sk-learn dan Python untuk mengimplementasikan teknik pembelajaran mesin yang diawasi
-
K-nearest neighbors untuk klasifikasi dan regresi
-
Naive Bayes
-
Regresi Ridge dan Lasso
-
Pohon Keputusan
-
Random Forest
-
Mendukung Mesin Vektor
-
Studi kasus praktis untuk pelatihan, pengujian dan evaluasi serta peningkatan kinerja model
-
Validasi silang untuk optimasi parameter
-
Pelajari cara menggunakan metrik seperti Presisi, Perolehan, skor F1, serta matriks konfusi untuk mengevaluasi performa model sebenarnya
-
Anda akan mendalami landasan teoretis di balik setiap algoritme dengan bantuan penjelasan intuitif tentang rumus dan gagasan matematika
Deskripsi
Mengapa Anda harus mempertimbangkan untuk mengambil kursus Supervised Machine Learning?
Algoritme pembelajaran mesin yang diawasi yang akan Anda pelajari di sini adalah beberapa alat ilmu data paling canggih yang Anda perlukan untuk menyelesaikan tugas regresi dan klasifikasi. Ini adalah keterampilan berharga yang harus dimiliki oleh siapa pun yang ingin bekerja sebagai insinyur pembelajaran mesin dan ilmuwan data.
Naïve Bayes, KNN, Mesin Vektor Pendukung, Pohon Keputusan, Hutan Acak, Regresi.
Dalam kursus ini, Anda akan mempelajari teori di balik keenam algoritma tersebut, dan kemudian menerapkan keterampilan Anda pada studi kasus praktis yang disesuaikan dengan masing-masing algoritma tersebut, menggunakan perpustakaan pembelajaran sci-kit Python.
Pertama, kita membahas naïve Bayes – teknik ampuh berdasarkan statistik Bayesian. Keunggulannya adalah ia hebat dalam melakukan tugas secara real-time. Beberapa kasus penggunaan yang paling umum adalah memfilter email spam, menandai komentar yang tidak pantas di media sosial, atau melakukan analisis sentimen. Dalam kursus ini, kami memiliki contoh praktis tentang cara kerjanya.
