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.

"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)

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.

Training, test and validation splits

The test-train split

Cross-validation data frames

Measuring cross-validation performance

Build cross-validated models

Preparing for evaluation

Evaluate model performance

Building and tuning a random forest model

Build a random forest model

Evaluate a random forest model

Fine tune your model

The best performing parameter

Measuring the test performance

Build & evaluate the best model

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

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

Modelini düzenlemenin üç yolu

Tidyverse ile Machine Learning

Uygulamalı interaktif egzersiz