W tym rozdziale poznasz podstawy stosowania regresji logistycznej i maszyn wektorów nośnych (SVM) do problemów klasyfikacji. Użyjesz biblioteki <code>scikit-learn</code>, aby dopasować modele klasyfikacji do rzeczywistych danych.

Przypomnienie scikit-learn

Klasyfikacja KNN

Porównywanie modeli

Przetrenowanie (overfitting)

Regresja logistyczna i SVM w praktyce

Uruchamianie LogisticRegression i SVC

Analiza sentymentu recenzji filmowych

Klasyfikatory liniowe

Która granica decyzyjna jest liniowa?

Wizualizacja granic decyzyjnych

W tym rozdziale poznasz ramy konceptualne leżące u podstaw regresji logistycznej i SVM. Dzięki temu lepiej zrozumiesz wewnętrzne mechanizmy tych modeli.

Klasyfikatory liniowe: współczynniki

Jak modele dokonują predykcji

Zmiana współczynników modelu

Czym jest funkcja straty?

Strata 0-1

Minimalizowanie funkcji straty

Diagramy funkcji straty

Funkcje straty w klasyfikacji

Porównanie straty logistycznej i straty zawiasowej

Implementacja regresji logistycznej

Funkcje straty

W tym rozdziale zagłębisz się w szczegóły regresji logistycznej. Nauczysz się wszystkiego o regularyzacji i interpretacji wyników modelu.

Regresja logistyczna i regularyzacja

Regularyzowana regresja logistyczna

Regresja logistyczna i selekcja cech

Identyfikacja słów o najbardziej pozytywnym i negatywnym wpływie

Regresja logistyczna i prawdopodobieństwa

Obliczanie prawdopodobieństw klas

Regularyzacja i prawdopodobieństwa

Wizualizacja łatwych i trudnych przykładów

Wieloklasowa regresja logistyczna

Liczenie współczynników

Dopasowywanie wieloklasowej regresji logistycznej

Wizualizacja wieloklasowej regresji logistycznej

SVM jeden-kontra-reszta

Regresja logistyczna

W tym rozdziale poznasz szczegóły dotyczące maszyn wektorów nośnych. Nauczysz się dostrajać hiperparametry tych modeli oraz używać jąder do dopasowywania nieliniowych granic decyzyjnych.

Wektory nośne

Definicja wektora nośnego

Efekt usuwania przykładów

Jądrowe SVM

GridSearchCV – rozgrzewka

Jednoczesne strojenie gamma i C za pomocą GridSearchCV

Porównanie regresji logistycznej i SVM (i nie tylko)

Przewaga SVM

Zaleta regresji logistycznej

Używanie SGDClassifier

Podsumowanie

Maszyny wektorów nośnych

W tym kursie nauczysz się wszystkiego o liniowych klasyfikatorach – w szczególności o regresji logistycznej i maszynach wektorów nośnych (SVM) – korzystając z biblioteki scikit-learn. Po opanowaniu tych metod zagłębisz się w idee, które za nimi stoją, i zrozumiesz, jak działają od środka. Pod koniec kursu będziesz wiedzieć, jak trenować, testować i dostrajać liniowe klasyfikatory w Pythonie. Zdobędziesz też solidne podstawy konceptualne przydatne przy nauce wielu innych algorytmów uczenia maszynowego.

Supervised Learning with scikit-learn

Na tym kursie poznasz szczegóły klasyfikatorów liniowych, takich jak regresja logistyczna i SVM.

Liniowe klasyfikatory w Pythonie

W tym kursie poznasz szczegóły klasyfikatorów liniowych, takich jak regresja logistyczna i SVM.

Naukowiec ds. uczenia maszynowego w Pythonie

Uczenie maszynowe nadzorowane w Pythonie

Przetrenowanie (overfitting)

Liniowe klasyfikatory w Pythonie

Interaktywne ćwiczenie praktyczne