Tato kapitola tě seznámí s páteří strojového učení v prostředí tidyverse – s pracovním postupem List Column Workflow (LCW). LCW ti umožní pracovat s mnoha modely najednou v rámci jednoho datového rámce. <br> Kapitola tě také uvede do základů balíčku broom pro prozkoumávání modelů.

Základy „tidy“ machine learningu

Vnořování dat

Rozbalení vnořených dat

Prozkoumej vnořenou buňku

Rodina funkcí map

Mapování dat

Očekávaný výstup mapování

Mapování mnoha modelů

Uklid své modely s balíčkem broom

Tři způsoby, jak upravit model do tidy formátu

Přehledná extrakce statistik modelu

Rozšíření dat pomocí augment()

Základy „tidy" strojového učení

Tato kapitola využívá List Column Workflow k sestavení a prozkoumání vlastností 77 modelů. S nástroji z balíčku broom získáš vícerozměrný pohled na všechny tyto modely.

Zkoumání koeficientů napříč modely

Ukliď koeficienty svých modelů

Co se můžeme dozvědět o těchto 77 zemích?

Hodnocení kvality mnoha modelů

Pohled na kvalitu shody modelů

Nejlépe a nejhůře fitting modely

Vizuální posouzení kvality mnoha modelů

Rozšíření hodnot modelů pomocí augment()

Prozkoumej nejlépe a nejhůře přizpůsobené modely

Vylepši přesnost svých modelů

Vylepši své modely

Předpověď do budoucnosti

Více modelů s balíčkem broom

V této kapitole se naučíš používat List Column Workflow k sestavování, ladění a vyhodnocování regresních modelů. Budeš pracovat se dvěma typy modelů: lineárními modely a modely náhodného lesa.

Trénovací, testovací a validační rozdělení dat

Rozdělení dat na trénovací a testovací sadu

Datové rámce pro křížovou validaci

Měření výkonu při křížové validaci

Sestavení modelů s křížovou validací

Příprava na vyhodnocení

Vyhodnocení výkonu modelu

Sestavení a ladění modelu náhodného lesa

Sestavení modelu náhodného lesa

Vyhodnocení modelu náhodného lesa

Dolaď svůj model

Nejlepší hodnota parametru

Měření výkonu na testovací sadě

Sestav a vyhodnoť nejlepší model

Tvorba, ladění a vyhodnocování regresních modelů

V této kapitole změníš směr a zaměříš se na sestavování, ladění a vyhodnocování klasifikačních modelů.

Logistická regrese

Příprava trénovací, testovací a validační sady

Vyhodnocování klasifikačních modelů

Předpovědi jednoho modelu

Výkon jednoho modelu

Příprava na křížově validovaný výkon

Výpočet výkonu pomocí křížové validace

Náhodný les pro klasifikaci

Ladění modelů náhodného lesa

Výkonnost náhodného lesa

Sestavení finálního klasifikačního modelu

Změření výkonu finálního modelu

Shrnutí

Tvorba, ladění a vyhodnocování klasifikačních modelů

Gapminder

Attrition

V tomto kurzu se naučíš využívat nástroje z ekosystému „tidyverse" k vytváření, prozkoumávání a vyhodnocování modelů strojového učení. S pomocí balíčků tidyr a purrr si vybudujuješ pevný základ pro práci s komplexními objekty modelů „tidy" způsobem. Dále se seznámíš s balíčkem broom, který ti umožní hlouběji prozkoumat výsledné modely. Poté tě provedeme pracovním postupem train-test-validate, díky němuž budeš schopen/schopna vyhodnocovat výkon klasifikačních i regresních modelů a získáš potřebné znalosti pro optimalizaci výkonu modelů prostřednictvím ladění hyperparametrů.

Vítejte v tidyverse! V tomto kurzu budete pokračovat na své cestě za poznáním tidyverse a své znalosti uplatníte na koncepty strojového učení.<br><br>
Tento kurz je ideální, pokud chcete začlenit nástroje Tidyverse v R do svých pracovních postupů strojového učení. <br><br><h2>Vyhodnocování modelů strojového učení</h2>
V průběhu tohoto kurzu se zaměříte na využívání nástrojů tidyverse v R k efektivní tvorbě, zkoumání a vyhodnocování modelů strojového učení.<br><br>
Kurz začíná představením List Column Workflow (LCW), metody pro správu více modelů v rámci jednoho dataframe. Zahrnuje také použití balíčku broom k úpravě a prozkoumání výstupů modelu, díky čemuž jsou složité výsledky lépe interpretovatelné.<br><br><h2>Využití tidyr a purrr</h2>
Procvičte si praktická cvičení včetně tvorby a vyhodnocování regresních i klasifikačních modelů. Prozkoumejte techniky ladění hyperparametrů pro optimalizaci výkonu modelu.<br><br>
Budeš používat balíčky jako tidyr a purrr pro práci se složitými úpravami dat a vyhodnocováním modelů, což zajistí přehledný a systematický přístup k machine learningu.<br><br><h2>Získejte praktické uplatnění v reálném světě</h2>
Prozkoumejte reálné příklady prostřednictvím několika případových studií, například využití datové sady gapminder k predikci očekávané délky života pomocí lineárních modelů.<br><br>
Na konci kurzu budete mít pevné základy v aplikaci principů Tidyverse na strojové učení, což vám umožní efektivně vytvářet, ladit a vyhodnocovat modely přehledným a reprodukovatelným způsobem. 

Modeling with Data in the Tidyverse

Využijte balíčky tidyr a purrr v tidyverse pro tvorbu a analýzu modelů strojového učení.

Machine Learning in the Tidyverse

Využijte balíčky tidyr a purrr v tidyverse k vytváření, zkoumání a vyhodnocování modelů strojového učení.

Shrnutí

Create Your Free Account