This chapter will introduce you to the backbone of machine learning in the tidyverse, the List Column Workflow (LCW). The LCW will empower you to work with many models in one dataframe. <br> This chapter will also introduce you to the fundamentals of the broom package for exploring your models.

Foundations of "tidy" machine learning

Nesting your data

Unnesting your data

Explore a nested cell

The map family of functions

Mapping your data

Expecting mapped output

Mapping many models

Tidy your models with broom

The three ways to tidy your model

Extracting model statistics tidily

Augmenting your data

Foundations of "tidy" Machine learning

This chapter leverages the List Column Workflow to build and explore the attributes of 77 models. You will use the tools from the broom package to gain a multidimensional understanding of all of these models.

Exploring coefficients across models

Tidy up the coefficients of your models

What can we learn about these 77 countries?

Evaluating the fit of many models

Glance at the fit of your models

Best and worst fitting models

Visually inspect the fit of many models

Augment the fitted values of each model

Explore your best and worst fitting models

Improve the fit of your models

Build better models

Predicting the future

Multiple Models with broom

In this chapter you will learn how to use the List Column Workflow to build, tune and evaluate regression models. You will have the chance to work with two types of models: linear models and random forest models.

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

Build, Tune & Evaluate Regression Models

In this chapter you will shift gears to build, tune and evaluate classification models.

Logistic regression models

Prepare train-test-validate parts

Build cross-validated models

Evaluating classification models

Predictions of a single model

Performance of a single model

Prepare for cross-validated performance

Calculate cross-validated performance

Random forest for classification

Tune random forest models

Random forest performance

Build final classification model

Measure final model performance

Wrap-up

Build, Tune & Evaluate Classification Models

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.

Intermediate Tidyverse Araç Kutusu

Makine Öğrenimi Bilim İnsanı in R

Denetimli Makine Öğrenimi in R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Training, test and validation splits

Train-Test Split

initial_split()

Train-Validate Split

Cross Validation

vfold_cv()

Mapping train & validate

Cross Validated Models

Let's practice!

Build, Tune & Evaluate Regression Models - Eğitim, test ve doğrulama bölmeleri

Eğitim, test ve doğrulama bölmeleri

Create Your Free Account