Bu bölümde logistic regression ve support vector machines (SVM'ler) yöntemlerini sınıflandırma problemlerine uygulamanın temelini öğreneceksin. Gerçek verilere sınıflandırma modelleri uydurmak için <code>scikit-learn</code> kütüphanesini kullanacaksın.

scikit-learn tazeleme

KNN sınıflandırması

Modelleri karşılaştırma

Aşırı Uyum (Overfitting)

Lojistik regresyon ve SVM uygulama

LogisticRegression ve SVC'yi çalıştırma

Film incelemeleri için duygu analizi

Doğrusal sınıflandırıcılar

Hangi karar sınırı doğrusal?

Karar sınırlarını görselleştirme

Logistic regression ve SVM uygulamak

Bu bölümde logistic regression ve SVM'lerin arkasındaki kavramsal çerçeveyi keşfedeceksin. Bu sayede bu modellerin iç işleyişine daha derinlemesine dalabileceksin.

Doğrusal sınıflandırıcılar: katsayılar

Modeller nasıl tahmin yapar?

Model katsayılarını değiştirme

Kayıp fonksiyonu nedir?

0-1 kaybı

Bir kayıp fonksiyonunu en aza indirmek

Kayıp fonksiyonu diyagramları

Sınıflandırma kayıp fonksiyonları

Lojistik ve hinge kayıplarını karşılaştırma

Lojistik regresyonu uygulama

Kayıp fonksiyonları

Bu bölümde logistic regression'ın ayrıntılarına ineceksin. Düzenlileştirme hakkında her şeyi ve model çıktısını nasıl yorumlayacağını öğreneceksin.

Lojistik regresyon ve düzenlileştirme

Düzenlileştirilmiş lojistik regresyon

Lojistik regresyon ve özellik seçimi

En olumlu ve en olumsuz kelimeleri belirleme

Lojistik regresyon ve olasılıklar

Sınıf olasılıklarını elde etme

Düzenlileştirme ve olasılıklar

Kolay ve zor örnekleri görselleştirme

Çok sınıflı lojistik regresyon

Katsayıları sayma

Çok sınıflı lojistik regresyonu eğitme

Çok sınıflı lojistik regresyonu görselleştirme

Birine-karşı-geri kalan SVM

Logistic regression

Bu bölümde support vector machines'in tüm ayrıntılarını öğreneceksin. Bu modeller için hiperparametre ayarlamayı ve çekirdekleri kullanarak doğrusal olmayan karar sınırlarını uydurmayı göreceksin.

Destek vektörleri

Destek vektörü tanımı

Örnekleri kaldırmanın etkisi

Çekirdek SVM'ler

GridSearchCV ısınma turu

GridSearchCV ile gamma ve C'yi birlikte ayarlama

Lojistik regresyon ile SVM’i (ve ötesini) karşılaştırma

SVM’lerin bir avantajı

Lojistik regresyonun bir avantajı

SGDClassifier kullanma

Sonuç

Support Vector Machines

Bu kursta, özellikle logistic regression ve support vector machines ile scikit-learn kullanarak lineer sınıflandırıcıları nasıl kullanacağını öğreneceksin. Bu yöntemleri uygulamayı öğrendikten sonra, arkalarındaki fikirleri keşfedecek ve onları gerçekten çalıştıran şeyin ne olduğunu anlayacaksın. Kursun sonunda, Python'da bu lineer sınıflandırıcıları nasıl eğiteceğini, test edeceğini ve ayarlayacağını bileceksin. Ayrıca, birçok başka Machine Learning algoritmasını anlaman için kavramsal bir temele sahip olacaksın.

Supervised Learning with scikit-learn

Bu derste lojistik regresyon ve SVM gibi doğrusal sınıflandırıcıların detaylarını öğreneceksiniz.

Python'da Lineer Sınıflandırıcılar

Bu derste lojistik regresyon ve SVM gibi doğrusal sınıflandırıcıların ayrıntılarını öğreneceksiniz.

Makine Öğrenimi Bilimcisi Python'da

Denetimli Makine Öğrenimi Python'da

Aşırı Uyum (Overfitting)

Python'da Lineer Sınıflandırıcılar

Uygulamalı etkileşimli egzersiz