Övervakad Maskininlärning

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

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 mer 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 bra sätt. Låt oss lära oss att bygga en mer komplex modell för prediktion. Det är vad polynomregression är lämpad 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.

Detta avsnitt introducerar de grundläggande principerna för förstärkningsinlärning, inklusive dess kännetecknande egenskaper, matematiska grunder och hur agenter lär sig genom interaktion och återkoppling. Du får även praktisk erfarenhet av viktiga verktyg för att förbereda dig inför att bygga och träna dina första RL-agenter.

Detta avsnitt utforskar multi-armed bandit-problemet — en utmärkt miljö för att förstå utforsknings- och exploateringsdilemmat. Du kommer att lära dig och implementera algoritmer som hjälper agenter att fatta beslut under osäkerhet, genom att balansera belöningsmaximering med behovet av utforskning.

Detta avsnitt introducerar dynamisk programmering som en kraftfull metod för att lösa problem inom förstärkningsinlärning när en fullständig modell av miljön är tillgänglig. Du får lära dig hur man utvärderar och förbättrar policies med hjälp av Bellman-ekvationer samt utforskar centrala tekniker såsom policyiteration, värdeiteration och generaliserad policyiteration — vilket bygger den teoretiska grunden för framtida modellfria metoder.

Detta avsnitt introducerar Monte Carlo-metoder för att lära värdefunktioner och policies från kompletta episoder av erfarenhet. Du kommer att utforska både on-policy och off-policy tillvägagångssätt, förstå hur utforskning påverkar inlärning samt implementera inkrementella tekniker för att effektivt uppskatta avkastning — allt utan att behöva en modell av miljön.

Detta avsnitt introducerar temporär differensinlärning (TD), en grundläggande metod inom förstärkningsinlärning som kombinerar idéer från Monte Carlo och dynamisk programmering. Du får lära dig hur man uppskattar värdefunktioner från ofullständiga episoder, utforskar både on-policy (SARSA) och off-policy (Q-learning) tillvägagångssätt samt upptäcker hur Monte Carlo-metoder och TD-inlärning kan kombineras.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.