Описание
Количество уроков: 7 Видео
Язык: Английский
Вес архива: 82 МБ
Этот курс даёт практическое и доступное введение в ключевые алгоритмы машинного обучения в Python с использованием библиотеки scikit-learn. Вы узнаете, как применять модели на реальных данных, понимать их поведение и правильно оценивать качество работы.
Что вы узнаете в этом курсе
Материал курса сфокусирован на практическом применении классических алгоритмов машинного обучения — без сложной математики и без необходимости строить нейронные сети.
• Основные алгоритмы классификации и регрессии
• Как обучать модели в scikit-learn
• Как выбирать алгоритм под задачу
• Как оценивать качество моделей
• Использование встроенных датасетов scikit-learn
Алгоритмы, которые вы освоите
Модели регрессии
• Линейная регрессия
• Метрики: среднеквадратичная ошибка и коэффициент детерминации
Модели классификации
• Логистическая регрессия
• k-ближайших соседей
• Деревья решений и другие алгоритмы
• Метрики: точность, логарифмические потери, матрица ошибок, отчёт классификации
Практическая работа в Python
Вы примените алгоритмы на практике, используя Python 2.7 или Python 3. Код курса совместим с обеими версиями языка, за исключением небольших отличий в API для вывода отчёта.
Вы будете работать со следующими инструментами:
• scikit-learn — обучение и оценка моделей
• Встроенные датасеты — для упражнений и примеров
• Python — реализация, итерации, эксперименты
Дополнительные материалы
Для установки окружения, терминологии и распространённых ошибок ознакомьтесь с README в репозитории проекта.
Исходный код и материалы на GitHub
Игорь С. –
Работаю с данными, но ML раньше обходил стороной, и этот курс закрыл базовые пробелы. Автор последовательно показывает выбор алгоритма под задачу и оценку качества через коэффициент детерминации и отчёт классификации, всё с примерами кода. Материалы на GitHub и README по установке окружения заметно экономят время.
Дмитрий К. –
Ожидал большего объёма: 34 минуты на семь уроков — это скорее обзор, чем полноценный курс. Тем не менее деревья решений и метрика логарифмических потерь объяснены по делу, код на Python 2.7 и 3 работает. Для быстрого знакомства с API scikit-learn подойдёт, но практику придётся наращивать самостоятельно.
Марина В. –
Только начинаю разбираться в машинном обучении, и этот курс оказался удобным стартом. За полчаса с небольшим успела посмотреть, как обучать линейную и логистическую регрессию в scikit-learn и как считать точность и матрицу ошибок. Понравилось, что всё на встроенных датасетах и без лишней математики, хотя про k-ближайших соседей хотелось бы чуть подробнее.