Maskininlärning Mästerskap

Lär dig maskininlärningskoncept och arbetsflödet för ML-projekt.

Förbehandling är troligen det viktigaste steget i ett ML-projekt. Detta kapitel behandlar de förbehandlingssteg som krävs för nästan alla datamängder.

En pipeline är ett smidigt sätt att kombinera alla förbehandlingssteg samt en modell. Pipelines gör det mycket enklare att träna och använda en modell.

Modellering är det mest underhållande steget i ett ML-projekt. Lär dig att bygga, finjustera och utvärdera modellen!

Utforska grunderna för matematiska funktioner. Lär dig olika typer av algebraiska och transcendenta funktioner, deras egenskaper och hur de implementeras i Python för att lösa verkliga problem.

Behärska begreppen mängder och serier, från grundläggande operationer till praktiska tillämpningar. Få praktisk erfarenhet av att implementera mängdoperationer och arbeta med aritmetiska och geometriska serier i Python.

Utveckla en gedigen förståelse för gränsvärden, derivator, integraler och partiella derivator. Knyt samman teori och praktik genom att implementera dessa begrepp i Python och tillämpa dem på optimering med hjälp av gradientnedstigning.

Bygg gedigna kunskaper om vektorer, matriser och transformationer. Lär dig dekompositionsmetoder och egenvärdesanalys, samtidigt som begreppen förstärks med Python-programmeringsutmaningar och praktiska tillämpningar inom data science.

Fördjupa dig i sannolikhetsteori och statistik. Studera betingad sannolikhet, Bayes sats och statistiska mått. Implementera centrala koncept i Python, simulera fördelningar och stärk dina färdigheter genom utmaningar och frågesporter.

Behärska de grundläggande stegen för att rensa och förbereda rådata för analys och maskininlärning.

Omvandla rådata till användbara funktioner för maskininlärningsmodeller.

Konstruera och välj ut variabler för att förbättra modellens prestanda och tolkbarhet.

Vi börjar med den enklaste modellen för linjär regression. Du kommer att lära dig grunderna i linjär regression och hur man gör prediktioner i Python.

De flesta prediktionsuppgifter i verkliga tillämpningar involverar fler än en variabel. Du kommer att lära dig hur man hanterar linjär regression med flera variabler.

En rät linje beskriver inte alltid data på ett tillfredsställande sätt. Lär dig hur du bygger en mer komplex modell för prediktion. Det är vad polynomregression är avsedd för.

Nu när du vet hur man bygger flera linjära regressionsmodeller behöver du ett sätt att välja den bästa. Detta är möjligt med hjälp av metrik. Denna sektion förklarar de mest använda metoderna och de svårigheter du kan stöta på när du använder dem.

Utforska hur algoritmen k-närmsta grannar gör förutsägelser baserat på likhet. Lär dig hantera flera variabler, justera parametrar och använda korsvalidering för att förbättra noggrannheten.

Förstå hur logistisk regression modellerar sannolikheter och klassificerar utfall. Öva på att implementera metoden, tolka beslutsgränser och tillämpa regularisering för att förhindra överanpassning.

Lär dig hur beslutsträd delar upp data i meningsfulla grupper baserat på egenskapsvärden. Utforska hur parametrar som trädets djup och minsta antal prover per blad påverkar modellens prestanda och generaliseringsförmåga.

Utforska hur random forest kombinerar flera beslutsträd för att förbättra noggrannhet och robusthet. Förstå slumpens roll och tillämpa denna ensemblemetod på verkliga data.

Utvärdera modeller med hjälp av mått såsom noggrannhet, precision, återkallelse och F1-poäng. Lära sig att tolka förväxlingsmatriser och jämföra flera klassificerare för att identifiera den modell som presterar bäst.

Fördjupa dig i grunderna för klustring och upptäck hur det skiljer sig från klassificering. Utforska grundläggande algoritmer, verktyg och bibliotek som driver denna oövervakade inlärningsteknik för att avslöja dolda mönster i data.

Få en gedigen förståelse för centrala förbehandlingstekniker som säkerställer effektiv klustring. Hantering av saknade värden. Kodning av kategoriska variabler. Normalisering av data. Val av lämpliga avståndsmått och länkningar för att förbättra klustringsnoggrannheten.

Behärska de färdigheter som krävs för att tillämpa K-Means-klustring effektivt. Förstå hur algoritmen fungerar, fastställ det optimala antalet kluster och få praktisk erfarenhet genom att implementera K-Means på både syntetiska och verkliga datamängder.

Utforska grunderna i hierarkisk klustring och lär dig att gruppera data i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga dataset.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, hur punkter tilldelas kluster samt tillämpa den på både syntetiska och verkliga datamängder med säkerhet.

Få en gedigen förståelse för Gaussiska Mixturmodeller och hur de använder sannolikhet för att modellera komplexa klusterformer. Utforska principerna bakom Gaussisk fördelning, undersök hur GMM fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Explore the fundamental metrics used to evaluate classification models, including their definitions, formulas, Python implementations, and interpretation. Includes advanced metrics and model validation techniques relevant to classification.

Delve into the core metrics for evaluating regression models, including their mathematical foundations, Python implementations, and result interpretation. Includes advanced validation techniques relevant to regression.

Examine the key metrics for evaluating unsupervised learning models, including clustering, dimensionality reduction, and anomaly detection. Learn their mathematical foundations, Python implementations, and interpretation.