Ten rozdział wprowadzi cię w podstawy uczenia maszynowego w tidyverse – poznasz przepływ pracy z kolumnami list (List Column Workflow, LCW). LCW umożliwia pracę z wieloma modelami w obrębie jednej ramki danych. <br> Rozdział przedstawia również podstawy pakietu broom, służącego do eksploracji modeli.

Podstawy „schludnego" uczenia maszynowego

Zagnieżdżanie danych

Rozwijanie zagnieżdżonych danych

Eksploracja zagnieżdżonej komórki

Rodzina funkcji map

Mapowanie danych

Oczekiwany typ wyniku mapowania

Mapowanie wielu modeli

Porządkuj swoje modele z broom

Trzy sposoby na porządkowanie modelu

Porządne wydobywanie statystyk modelu

Rozszerzanie danych

Podstawy "tidy" uczenia maszynowego

Ten rozdział wykorzystuje przepływ pracy z kolumnami list do budowania i analizowania właściwości 77 modeli. Za pomocą narzędzi z pakietu broom zyskasz wielowymiarowe zrozumienie wszystkich tych modeli.

Eksploracja współczynników wielu modeli

Porządkowanie współczynników modeli

Czego możemy się dowiedzieć o tych 77 krajach?

Ocena dopasowania wielu modeli

Rzut oka na dopasowanie modeli

Najlepiej i najgorzej dopasowane modele

Wizualna ocena dopasowania wielu modeli

Augmentacja dopasowanych wartości każdego modelu

Zbadaj najlepiej i najgorzej dopasowane modele

Popraw dopasowanie swoich modeli

Zbuduj lepsze modele

Przewidywanie przyszłości

Wiele modeli z pakietem broom

W tym rozdziale nauczysz się używać przepływu pracy z kolumnami list do budowania, strojenia i oceny modeli regresji. Będziesz pracować z dwoma typami modeli: modelem liniowym oraz modelem lasów losowych.

Podziały na zbiory treningowy, testowy i walidacyjny

Podział na zbiór treningowy i testowy

Ramki danych do walidacji krzyżowej

Pomiar wydajności walidacji krzyżowej

Budowanie modeli z walidacją krzyżową

Przygotowanie do ewaluacji

Ocena wydajności modelu

Budowanie i dostrajanie modelu lasu losowego

Zbuduj model lasów losowych

Ewaluacja modelu lasów losowych

Dostrajanie modelu

Najlepszy parametr

Pomiar wydajności na zbiorze testowym

Zbuduj i oceń najlepszy model

Budowanie, strojenie i ocena modeli regresji

W tym rozdziale skupisz się na budowaniu, strojeniu i ocenie modeli klasyfikacji.

Modele regresji logistycznej

Przygotuj zbiory: treningowy, testowy i walidacyjny

Ocena modeli klasyfikacji

Prognozy pojedynczego modelu

Wydajność pojedynczego modelu

Przygotowanie do oceny wydajności z walidacją krzyżową

Obliczanie wyników kroswalidacji

Las losowy w klasyfikacji

Dostrajanie modeli lasu losowego

Wydajność lasu losowego

Zbuduj finalny model klasyfikacji

Zmierz wydajność finalnego modelu

Podsumowanie

Budowanie, strojenie i ocena modeli klasyfikacji

Gapminder

Attrition

Ten kurs nauczy cię wykorzystywać narzędzia z pakietu "tidyverse" do tworzenia, eksplorowania i oceny modeli uczenia maszynowego. Łącząc pakiety tidyr i purrr, zbudujesz solidne podstawy pracy ze złożonymi obiektami modeli w sposób "tidy". Nauczysz się też korzystać z pakietu broom do analizy wynikowych modeli. Następnie poznasz narzędzia stosowane w procesie podziału danych na zbiory treningowy, testowy i walidacyjny – dzięki nim ocenisz skuteczność modeli klasyfikacyjnych i regresyjnych oraz zoptymalizujesz ich działanie poprzez strojenie hiperparametrów.

Witamy w tidyverse! W tym kursie będziesz kontynuować swoją drogę do poznania tidyverse i zastosujesz swoją wiedzę do koncepcji uczenia maszynowego.<br><br>
Ten kurs jest idealny, jeśli chcesz zintegrować narzędzia Tidyverse w R ze swoimi procesami uczenia maszynowego. <br><br><h2>Ocena modeli uczenia maszynowego</h2>
W trakcie tego kursu skupisz się na wykorzystaniu narzędzi tidyverse w R, aby sprawnie budować, eksplorować i oceniać modele uczenia maszynowego.<br><br>
Kurs rozpoczyna się od wprowadzenia List Column Workflow (LCW), metody zarządzania wieloma modelami w ramach jednego dataframe. Obejmuje również korzystanie z pakietu broom do porządkowania i eksplorowania wyników modeli, dzięki czemu złożone rezultaty stają się bardziej zrozumiałe.<br><br><h2>Wykorzystanie tidyr i purrr</h2>
Pracuj nad praktycznymi ćwiczeniami, w tym tworzeniem i oceną modeli regresji oraz klasyfikacji. Poznaj techniki dostrajania hiperparametrów, aby zoptymalizować wydajność modelu.<br><br>
Będziesz korzystać z pakietów takich jak tidyr i purrr, aby obsługiwać złożone przekształcenia danych i oceny modeli, zapewniając uporządkowane i systematyczne podejście do uczenia maszynowego.<br><br><h2>Zdobądź praktyczne zastosowanie w realnym świecie</h2>
Poznaj rzeczywiste przykłady dzięki wielu studiom przypadku, takim jak wykorzystanie zbioru danych gapminder do przewidywania oczekiwanej długości życia za pomocą modeli liniowych.<br><br>
Pod koniec kursu zdobędziesz solidne podstawy stosowania zasad Tidyverse w uczeniu maszynowym, co pozwoli Ci budować, dostrajać i oceniać modele w wydajny, uporządkowany i powtarzalny sposób. 

Modeling with Data in the Tidyverse

Wykorzystaj pakiety tidyr i purrr w tidyverse do tworzenia i oceny modeli uczenia maszynowego.

Uczenie maszynowe w tidyverse

Wykorzystaj pakiety tidyr i purrr w tidyverse do tworzenia, eksplorowania i oceny modeli uczenia maszynowego.

Średniozaawansowany zestaw narzędzi Tidyverse

Naukowiec ds. uczenia maszynowego w R

Uczenie maszynowe nadzorowane w R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Podziały na zbiory: treningowy, testowy i walidacyjny

initial_split()

Podział na zbiór treningowy i walidacyjny

Walidacja krzyżowa

vfold_cv()

Mapowanie zbiorów treningowego i walidacyjnego

Modele z walidacją krzyżową

Czas na ćwiczenia!

Budowanie, strojenie i ocena modeli regresji - Podziały na zbiory treningowy, testowy i walidacyjny

Podziały na zbiory treningowy, testowy i walidacyjny

Create Your Free Account