Bu bölüm seni tidyverse içinde Machine Learning’in belkemiği olan Liste Sütunu İş Akışı (LCW) ile tanıştıracak. LCW, tek bir veri çerçevesinde birçok modelle çalışmanı sağlayacak. <br> Bu bölüm ayrıca, modellerini keşfetmek için broom paketinin temel kavramlarına giriş yapacak.

"Tidy" Machine Learning'in Temelleri

Verilerini iç içe yerleştirme (nesting)

Verini unnest etme

İçiçe bir hücreyi keşfet

map işlevleri ailesi

Verini eşleştir (map)

Eşlenen çıktıyı beklemek

Birçok modeli eşlemek

Modellerini broom ile derle

Modelini düzenlemenin üç yolu

Model istatistiklerini "tidy" şekilde çıkarmak

Verini genişletme (augment)

"Düzenli" Machine Learning'in Temelleri

Bu bölüm, 77 modelin özniteliklerini oluşturmak ve keşfetmek için Liste Sütunu İş Akışı’ndan yararlanır. Tüm bu modelleri çok boyutlu bir bakış açısıyla anlamak için broom paketindeki araçları kullanacaksın.

Modeller arasında katsayıları keşfetme

Modellerinin katsayılarını düzenle

Bu 77 ülke hakkında ne öğrenebiliriz?

Birçok modelin uyumunu değerlendirme

Modellerinin uyumuna hızlıca göz at

En iyi ve en kötü uyum sağlayan modeller

Birçok modelin uyumunu görsel olarak incele

Her modelin uyumlaştırılmış değerlerini augment et

En iyi ve en kötü uyumlu modellerini keşfet

Modellerinin uyumunu iyileştir

Daha iyi modeller kur

Geleceği tahmin etmek

broom ile Birden Çok Model

Bu bölümde, Liste Sütunu İş Akışı’nı kullanarak regresyon modelleri kurmayı, ayarlamayı ve değerlendirmeyi öğreneceksin. İki tür modelle çalışma şansın olacak: doğrusal modeller ve random forest modelleri.

Eğitim, test ve doğrulama bölmeleri

Test-train ayrımı

Çapraz doğrulama veri çerçeveleri

Çapraz doğrulama performansını ölçme

Çapraz doğrulamalı modeller kur

Değerlendirmeye hazırlık

Model performansını değerlendir

Bir random forest modeli kurma ve ayarlama

Rastgele orman modeli kur

Bir random forest modeli değerlendir

Modelini ince ayarla

En iyi performans gösteren parametre

Test performansını ölçme

En iyi modeli kur ve değerlendir

Regresyon Modelleri: Kur, Ayarla ve Değerlendir

Bu bölümde vites değiştirip sınıflandırma modelleri kurmayı, ayarlamayı ve değerlendirmeyi öğreneceksin.

Lojistik regresyon modelleri

Train-test-validate bölümlerini hazırla

Çapraz doğrulamalı modelleri oluştur

Sınıflandırma modellerini değerlendirme

Tek bir modelin tahminleri

Tek bir modelin performansı

Çapraz doğrulamalı performansa hazırlan

Çapraz doğrulamalı performansı hesapla

Sınıflandırma için rastgele orman

Rastgele orman modellerini ayarla

Random forest performansı

Nihai sınıflandırma modelini oluştur

Nihai model performansını ölç

Kapanış

Sınıflandırma Modelleri: Kur, Ayarla ve Değerlendir

Gapminder

Attrition

Bu kurs, "tidyverse" içindeki araçları kullanarak Machine Learning modelleri oluşturmayı, keşfetmeyi ve değerlendirmeyi öğretecek. tidyr ve purrr paketlerinin birleşimiyle, karmaşık model nesneleriyle "düzenli" bir şekilde çalışmana temel oluşturacaksın. Ayrıca, ortaya çıkan modellerini keşfetmek için broom paketinden nasıl yararlanacağını öğreneceksin. Sonrasında, hem sınıflandırma hem de regresyon modellerinin performansını değerlendirmeni sağlayan ve hiperparametre ayarıyla model performansını optimize etmek için gereken bilgileri sunan test-train-validate iş akışındaki araçlarla tanışacaksın.

Tidyverse'e hoş geldiniz! Bu kursta, tidyverse'i öğrenmeye devam edecek ve bilgilerinizi makine öğrenimi kavramlarına uygulayacaksınız.<br><br>
Bu kurs, R'nin Tidyverse araçlarını makine öğrenimi iş akışlarınıza entegre etmek istiyorsanız idealdir. <br><br><h2>Makine öğrenimi modellerinin değerlendirilmesi</h2>
Bu kurs boyunca, R'deki tidyverse araçlarını kullanarak makine öğrenimi modellerini verimli bir şekilde oluşturmaya, keşfetmeye ve değerlendirmeye odaklanacaksınız.<br><br>
Kurs, tek bir veri çerçevesi içinde birden fazla modeli yönetmek için kullanılan bir yöntem olan Liste Sütunu İş Akışı (LCW) ile başlar. Ayrıca, broom paketini kullanarak model çıktılarını düzenlemeyi ve keşfetmeyi de kapsar, böylece karmaşık sonuçları daha anlaşılır hale getirir.<br><br><h2>tidyr ve purrr kullanımı</h2>
Sınıflandırma modelleriyle birlikte regresyon oluşturma ve değerlendirme gibi pratik alıştırmalar yapın. Model performansını optimize etmek için hiperparametreleri ayarlama tekniklerini keşfedin.<br><br>
Tidyr ve purrr gibi paketleri kullanarak karmaşık veri işlemlerini ve model değerlendirmelerini gerçekleştirecek, makine öğrenimine düzenli ve sistematik bir yaklaşım sağlayacaksınız.<br><br><h2>Gerçek dünya uygulamaları kazanın</h2>
Gapminder veri setini kullanarak doğrusal modellerle yaşam beklentisini tahmin etmek gibi çok sayıda vaka çalışmasıyla gerçek hayattan örnekleri keşfedin.<br><br>
Kursun sonunda, Tidyverse ilkelerini makine öğrenimine uygulamak için sağlam bir temel kazanacak ve modelleri düzenli ve tekrarlanabilir bir şekilde verimli bir şekilde oluşturma, ayarlama ve değerlendirme becerisi kazanacaksınız. 

Modeling with Data in the Tidyverse

Tidyverse içindeki tidyr ve purrr paketlerini kullanarak makine öğrenimi modelleri oluşturun ve değerlendirin.

Tidyverse ile Machine Learning

Tidyverse'deki tidyr ve purrr paketlerini kullanarak makine öğrenimi modellerini oluşturun, keşfedin ve değerlendirin.

Kapanış

Create Your Free Account