Summary  
Introduces supervised machine learning by training a model on labeled data to learn classification patterns and evaluating its performance on unseen test data.

General domain of usage  
Email spam detection

För att kunna följa koden i denna kurs är det bra att först ha genomfört följande kurser, om du inte redan är bekant med dessa ämnen:

**Maskininlärning (ML)** är ett tillvägagångssätt för programmering där datorer lär sig från data för att lösa en uppgift istället för att få explicita instruktioner.

Tänk på exemplet med en **spam**/**ham** (inte spam) klassificerare.


Att bygga ett sådant system med ett traditionellt programmeringsangreppssätt (utan ML) är svårt, eftersom det kräver att man skriver explicita regler, till och med manuellt sammanställer en lista över spamord.

Med maskininlärning tränas modellen på många exempel av spam och ham-e-post och lär sig själv de särskiljande mönstren.



De data som används för träning kallas **träningsmängd**. I detta fall består den av e-postmeddelanden som redan är **märkta** som spam eller ham, vilket gör det möjligt för modellen att fånga egenskaperna hos båda kategorierna.

Efter träningen utvärderas modellen med hjälp av en **testmängd** – en separat samling märkta e-postmeddelanden. Detta steg kontrollerar hur väl modellen generaliserar till ny, **osedd data**.


Vad är den främsta fördelen med att använda en maskininlärningsmodell (ML) för en spam/ham-klassificerare jämfört med ett traditionellt programmeringsangreppssätt?

Maskininlärning används nu överallt. Vill du lära dig det själv? Denna kurs är en introduktion till maskininlärningens värld där du får lära dig grundläggande begrepp, arbeta med scikit-learn – det mest populära biblioteket för ML, och bygga ditt första maskininlärningsprojekt.
Kursen är avsedd för studenter med grundläggande kunskaper i Python, Pandas och Numpy.

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!

Vad är ML