Bab ini akan memperkenalkan Anda pada tulang punggung Machine Learning di tidyverse, yaitu List Column Workflow (LCW). LCW memungkinkan Anda bekerja dengan banyak model dalam satu dataframe. <br> Bab ini juga akan mengenalkan dasar-dasar paket broom untuk mengeksplorasi model Anda.

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

Dasar-dasar Machine Learning yang "rapi"

Bab ini memanfaatkan List Column Workflow untuk membangun dan mengeksplorasi atribut dari 77 model. Anda akan menggunakan alat dari paket broom untuk memperoleh pemahaman multidimensi atas semua model tersebut.

Mengeksplorasi koefisien di berbagai model

Rapikan koefisien model Anda

Apa yang dapat kita pelajari tentang 77 negara ini?

Mengevaluasi kecocokan banyak model

Sekilas tentang kecocokan model Anda

Model dengan kecocokan terbaik dan terburuk

Inspeksi visual kecocokan banyak model

Augment nilai fitted dari setiap model

Jelajahi model dengan kecocokan terbaik dan terburuk Anda

Perbaiki kecocokan model Anda

Bangun model yang lebih baik

Memprediksi masa depan

Banyak Model dengan broom

Di bab ini Anda akan mempelajari cara menggunakan List Column Workflow untuk membangun, menyetel, dan mengevaluasi model regresi. Anda akan berkesempatan bekerja dengan dua jenis model: model linear dan model random forest.

Pembagian training, test, dan validation

Pembagian data train-test

Data frame cross-validation

Mengukur kinerja cross-validation

Bangun model tervalidasi-silang

Mempersiapkan untuk evaluasi

Evaluasi kinerja model

Membangun dan melakukan tuning model random forest

Bangun model random forest

Evaluasi model random forest

Selaraskan model Anda

Parameter dengan kinerja terbaik

Mengukur kinerja pengujian

Membangun & mengevaluasi model terbaik

Membangun, Menyetel, & Mengevaluasi Model Regresi

Di bab ini Anda akan beralih untuk membangun, menyetel, dan mengevaluasi model klasifikasi.

Model regresi logistik

Siapkan bagian train-test-validate

Bangun model tervalidasi silang

Mengevaluasi model klasifikasi

Prediksi dari satu model

Kinerja satu model

Persiapan untuk kinerja cross-validated

Hitung kinerja cross-validated

Random forest untuk klasifikasi

Menyetel model random forest

Kinerja random forest

Bangun model klasifikasi final

Ukur kinerja model final

Rangkuman

Membangun, Menyetel, & Mengevaluasi Model Klasifikasi

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

Apa yang dapat kita pelajari tentang 77 negara ini?

Machine Learning di Tidyverse

Latihan interaktif langsung