This chapter will introduce you to the backbone of machine learning in the tidyverse, the List Column Workflow (LCW). The LCW will empower you to work with many models in one dataframe. <br> This chapter will also introduce you to the fundamentals of the broom package for exploring your models.

Dasar-dasar Machine Learning yang "tidy"

Membuat nesting pada data Anda

Membuka struktur bertingkat pada data Anda

Eksplorasi sel bertingkat (nested)

Keluarga fungsi map

Memetakan data Anda

Mengharapkan keluaran hasil pemetaan

Memetakan banyak model

Rapikan model Anda dengan broom

Tiga cara untuk merapikan model Anda

Mengekstrak statistik model secara rapi

Melengkapi data Anda

Foundations of "tidy" Machine learning

This chapter leverages the List Column Workflow to build and explore the attributes of 77 models. You will use the tools from the broom package to gain a multidimensional understanding of all of these models.

Exploring coefficients across models

Tidy up the coefficients of your models

What can we learn about these 77 countries?

Evaluating the fit of many models

Glance at the fit of your models

Best and worst fitting models

Visually inspect the fit of many models

Augment the fitted values of each model

Explore your best and worst fitting models

Improve the fit of your models

Build better models

Predicting the future

Multiple Models with broom

In this chapter you will learn how to use the List Column Workflow to build, tune and evaluate regression models. You will have the chance to work with two types of models: linear models and random forest models.

Training, test and validation splits

The test-train split

Cross-validation data frames

Measuring cross-validation performance

Build cross-validated models

Preparing for evaluation

Evaluate model performance

Building and tuning a random forest model

Build a random forest model

Evaluate a random forest model

Fine tune your model

The best performing parameter

Measuring the test performance

Build & evaluate the best model

Build, Tune & Evaluate Regression Models

In this chapter you will shift gears to build, tune and evaluate classification models.

Logistic regression models

Prepare train-test-validate parts

Evaluating classification models

Predictions of a single model

Performance of a single model

Prepare for cross-validated performance

Calculate cross-validated performance

Random forest for classification

Tune random forest models

Random forest performance

Build final classification model

Measure final model performance

Wrap-up

Build, Tune & Evaluate Classification Models

Gapminder

Attrition

Kursus ini akan mengajarkan Anda memanfaatkan alat di "tidyverse" untuk membangun, mengeksplorasi, dan mengevaluasi model Machine Learning. Dengan memadukan paket tidyr dan purrr, Anda akan membangun dasar cara bekerja dengan objek model yang kompleks secara "rapi". Anda juga akan mempelajari cara memanfaatkan paket broom untuk mengeksplorasi model yang dihasilkan. Selanjutnya, Anda akan diperkenalkan pada alat dalam alur kerja train-test-validate, yang memungkinkan Anda mengevaluasi kinerja model klasifikasi dan regresi serta memberikan informasi yang diperlukan untuk mengoptimalkan kinerja model melalui penyetelan hyperparameter.

Selamat datang di tidyverse! Dalam kursus ini, Anda akan melanjutkan perjalanan Anda untuk mempelajari tidyverse dan menerapkan pengetahuan Anda pada konsep-konsep machine learning.<br><br>
Kursus ini sangat cocok jika Anda ingin mengintegrasikan alat-alat Tidyverse dari R ke dalam alur kerja machine learning Anda. <br><br><h2>Evaluasi model pembelajaran mesin</h2>
Selama kursus ini, Anda akan fokus pada penggunaan alat-alat tidyverse dalam R untuk membangun, mengeksplorasi, dan mengevaluasi model pembelajaran mesin secara efisien.<br><br>
Kursus ini dimulai dengan memperkenalkan List Column Workflow (LCW), sebuah metode untuk mengelola beberapa model dalam satu dataframe. Hal ini juga mencakup penggunaan paket broom untuk membersihkan dan mengeksplorasi hasil model, sehingga hasil yang kompleks menjadi lebih mudah dipahami.<br><br><h2>Menggunakan tidyr dan purrr</h2>
Lakukan latihan praktis termasuk membangun dan mengevaluasi model regresi serta model klasifikasi. Jelajahi teknik untuk menyesuaikan hiperparameter guna mengoptimalkan kinerja model.<br><br>
Anda akan menggunakan paket seperti tidyr dan purrr untuk menangani manipulasi data yang kompleks dan evaluasi model, memastikan pendekatan yang rapi dan sistematis dalam machine learning.<br><br><h2>Dapatkan penerapan di dunia nyata</h2>
Jelajahi contoh-contoh nyata melalui berbagai studi kasus, seperti menggunakan dataset Gapminder untuk memprediksi harapan hidup dengan model linier.<br><br>
Pada akhir kursus ini, Anda akan memiliki dasar yang kuat dalam menerapkan prinsip-prinsip Tidyverse pada machine learning, sehingga dapat membangun, menyesuaikan, dan mengevaluasi model secara efisien dengan cara yang rapi dan dapat direproduksi. 

Modeling with Data in the Tidyverse

Gunakan paket tidyr dan purrr di tidyverse untuk membuat, mengeksplorasi, dan mengevaluasi model ML.

Machine Learning di Tidyverse

Manfaatkan paket tidyr dan purrr dalam tidyverse untuk menghasilkan, mengeksplorasi, dan mengevaluasi model pembelajaran mesin.

Kotak Alat Tidyverse Tingkat Menengah

Ilmuwan Pembelajaran Mesin di R

Pembelajaran Mesin Terawasi di R

Tiga cara untuk merapikan model Anda

Machine Learning di Tidyverse

Latihan interaktif praktis