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 dataset.

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!

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.

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

Få en gedigen förståelse för viktiga förbehandlingstekniker som säkerställer effektiv klustring. Lär dig hantera saknade värden, koda kategoriska variabler, normalisera data samt välja lämpliga avståndsmått och länkningar för att öka 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 hur data kan grupperas i meningsfulla kluster med hjälp av dendrogram. Få förståelse för att identifiera det optimala antalet kluster och tillämpa tekniken på både syntetiska och verkliga datamängder.

Utforska hur DBSCAN utmärker sig vid identifiering av kluster med varierande former och hantering av brus i data. Förstå mekanismerna bakom denna täthetsbaserade algoritm, tilldelning av punkter till kluster samt tillämpning 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 för Gaussisk fördelning, undersök hur Gaussiska Mixturmodeller fungerar och stärk din kompetens genom att tillämpa dem på både simulerad och verklig data.

Upptäck hur man tränar agenter att fatta optimala beslut genom försök och misstag. Utforska grunderna i förstärkningsinlärningens teori. Få praktisk erfarenhet av att konfigurera och köra en Gymnasium-miljö.

Bemästra utforsknings- och exploateringsavvägningen genom multi-armed bandit-problemet. Implementering av åtgärdsvärdesuppskattning, ε-girig, övre konfidensgräns och gradient-banditmetoder. Utvärdering av algoritmers prestanda på simulerade belöningsmaximeringsuppgifter.

Behärska dynamisk programmering för modellbaserad RL. Upptäck hur Bellman-ekvationer kan användas för att utvärdera och förbättra policies. Implementera algoritmer för policy- och värdeiteration. Utforska generaliserad policyiteration som den teoretiska grunden för modellfria metoder.

Behärska Monte Carlo-metoder för modellfri RL. Skatta värdefunktioner och härled optimala policys från fullständiga episoder. Implementera on-policy och off-policy Monte Carlo-kontrollalgoritmer. Utforska strategier för utforskning för att optimera modellfritt lärande.

Behärska temporär differensinlärning för modellfri RL. Skatta värdefunktioner från partiella episoder med hjälp av TD(0)-uppdateringar. Implementera on-policy SARSA och off-policy Q-Learning-algoritmer. Upptäck hur Monte Carlo-metoder och TD-inlärning kombineras i n-stegs TD och TD(λ).

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att överväga dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.