Questo capitolo ti presenterà l’ossatura del Machine Learning nel tidyverse: il List Column Workflow (LCW). L’LCW ti permetterà di lavorare con molti modelli in un unico dataframe. <br> Questo capitolo introdurrà anche i fondamenti del pacchetto broom per esplorare i tuoi modelli.

Fondamenti del Machine Learning "tidy"

Annidare i tuoi dati

Espandere (unnest) i tuoi dati

Esplora una cella annidata

La famiglia di funzioni map

Mappare i tuoi dati

Aspettarsi un output mappato

Mappare molti modelli

Rendi "tidy" i tuoi modelli con broom

I tre modi per rendere "tidy" il tuo modello

Estrarre in modo tidy le statistiche del modello

Arricchire i tuoi dati

Fondamenti di Machine Learning "tidy"

Questo capitolo sfrutta il List Column Workflow per costruire ed esplorare gli attributi di 77 modelli. Userai gli strumenti del pacchetto broom per ottenere una comprensione multidimensionale di tutti questi modelli.

Esplorare i coefficienti tra più modelli

Metti in ordine i coefficienti dei tuoi modelli

Cosa possiamo imparare da questi 77 paesi?

Valutare l'aderenza di molti modelli

Dai un’occhiata all’adattamento dei tuoi modelli

Modelli con il miglior e il peggior fit

Ispeziona visivamente l'aderenza di molti modelli

Augment dei valori stimati di ogni modello

Esplora i tuoi modelli con la migliore e la peggiore aderenza

Migliora l'aderenza dei tuoi modelli

Costruisci modelli migliori

Prevedere il futuro

Più modelli con broom

In questo capitolo imparerai a usare il List Column Workflow per costruire, ottimizzare e valutare modelli di regressione. Avrai modo di lavorare con due tipi di modelli: modelli lineari e modelli random forest.

Suddivisioni in training, test e validazione

La suddivisione train-test

Data frame per la cross validation

Misurare le prestazioni della cross-validation

Crea modelli con cross-validation

Prepararsi alla valutazione

Valuta le prestazioni del modello

Creare e ottimizzare un modello Random Forest

Crea un modello random forest

Valuta un modello random forest

Affina il tuo modello

Il parametro con prestazioni migliori

Misurare le prestazioni sul test

Crea e valuta il modello migliore

Costruire, ottimizzare e valutare modelli di regressione

In questo capitolo cambierai marcia per costruire, ottimizzare e valutare modelli di classificazione.

Modelli di regressione logistica

Prepara le parti train-test-validate

Crea modelli con convalida incrociata

Valutare i modelli di classificazione

Predizioni di un singolo modello

Prestazioni di un singolo modello

Preparati alla valutazione con convalida incrociata

Calcola le prestazioni con cross-validation

Random forest per la classificazione

Ottimizza i modelli random forest

Prestazioni della random forest

Crea il modello di classificazione finale

Misura le prestazioni finali del modello

Riepilogo

Costruire, ottimizzare e valutare modelli di classificazione

Gapminder

Attrition

Questo corso ti insegnerà a sfruttare gli strumenti del "tidyverse" per generare, esplorare e valutare modelli di Machine Learning. Combinando i pacchetti tidyr e purrr, costruirai le basi per lavorare con oggetti modello complessi in modo "tidy". Imparerai anche a usare il pacchetto broom per esplorare i modelli risultanti. Infine, verranno introdotti gli strumenti del flusso di lavoro test-train-validate, che ti permetteranno di valutare le prestazioni sia dei modelli di classificazione sia di regressione e di ottimizzarne le performance tramite la regolazione degli iperparametri.

Ciao, benvenuto nel mondo di tidyverse! In questo corso continuerai il tuo percorso di apprendimento del tidyverse e applicherai le tue conoscenze ai concetti di machine learning.<br><br>
Questo corso è perfetto se vuoi integrare gli strumenti Tidyverse di R nei tuoi flussi di lavoro di machine learning. <br><br><h2>Valutare i modelli di apprendimento automatico</h2>
Durante questo corso ti concentrerai sull'utilizzo degli strumenti tidyverse in R per creare, esplorare e valutare in modo efficiente i modelli di machine learning.<br><br>
Il corso inizia con una presentazione del List Column Workflow (LCW), un modo per gestire più modelli all'interno di un unico dataframe. Si parla anche di come usare il pacchetto broom per sistemare ed esplorare i risultati dei modelli, rendendo più facili da capire i risultati complicati.<br><br><h2>Usare tidyr e purrr</h2>
Fai un po' di pratica con esercizi pratici, tipo costruire e valutare modelli di regressione e classificazione. Scopri come regolare gli iperparametri per migliorare le prestazioni del modello.<br><br>
Userai pacchetti come tidyr e purrr per gestire manipolazioni di dati complesse e valutazioni di modelli, assicurando un approccio ordinato e sistematico all'apprendimento automatico.<br><br><h2>Ottieni un'applicazione nel mondo reale</h2>
Scopri esempi reali attraverso diversi casi di studio, come usare il set di dati Gapminder per prevedere l'aspettativa di vita con modelli lineari.<br><br>
Alla fine del corso, avrai una solida base nell'applicazione dei principi di Tidyverse all'apprendimento automatico, che ti permetterà di costruire, mettere a punto e valutare modelli in modo efficiente, ordinato e riproducibile. 

Modeling with Data in the Tidyverse

Usa i pacchetti tidyr e purrr nel tidyverse per creare, esplorare e valutare modelli di machine learning.

Machine Learning nel tidyverse

Usa i pacchetti tidyr e purrr di tidyverse per creare, esplorare e valutare modelli di machine learning.

Riepilogo

Create Your Free Account