糖心vlog官网观看

Diese Woche bauen wir auf den Grundlagen der letzten Woche auf und arbeiten mit komplexeren linearen Regressionsmodellen. Nach dieser Woche werden Sie in der Lage sein, lineare Modelle mit mehreren erkl盲renden und kategorialen Variablen zu erstellen. Mathematisch und syntaktisch sind multiple lineare Regressionsmodelle eine nat眉rliche Erweiterung der einfacheren linearen Regressionsmodelle, die wir letzte Woche gelernt haben. Einer der Unterschiede, den wir in dieser Woche beachten m眉ssen, ist, dass unser Datenraum jetzt 3D statt 2D ist. Der Unterschied zwischen 3D und 2D hat Auswirkungen auf die Erstellung aussagekr盲ftiger Visualisierungen. Es ist wichtig zu verstehen, wie man Koeffizienten interpretiert. Beim maschinellen Lernen geht es darum, ein Modell strategisch zu iterieren und zu verbessern. In dieser Woche werden Sie im Labor und in der Peer Review Schwachstellen bei linearen Regressionsmodellen identifizieren und diese strategisch verbessern. Wir hoffen, dass Sie diesen iterativen Prozess im Laufe dieses Kurses immer besser beherrschen werden.

Auch wenn der Name logistische Regression etwas anderes vermuten l盲sst, werden wir in dieser Woche unsere Aufmerksamkeit von Regressionsaufgaben auf Klassifizierungsaufgaben verlagern. Die logistische Regression ist ein besonderer Fall eines verallgemeinerten linearen Modells. Wie die lineare Regression ist auch die logistische Regression ein weit verbreitetes statistisches Tool und eines der grundlegenden Tools 蹿眉谤 Ihr Data Science Toolkit. Es gibt viele reale Anwendungen 蹿眉谤 Klassifizierungsaufgaben, unter anderem im Finanzbereich und in der Biomedizin. In dieser Woche werden Sie sehen, wie dieser klassische Algorithmus Ihnen hilft, vorherzusagen, ob ein Biopsie-Objekttr盲ger aus dem ber眉hmten Wisconsin-Brustkrebs-Datensatz eine gutartige oder b枚sartige Masse aufweist. Wir empfehlen Ihnen auch, in dieser Woche mit dem Abschlussprojekt zu beginnen, das Sie in Woche 7 des Kurses abgeben werden. Suchen Sie diese Woche einen Projektdatensatz, beginnen Sie mit der EDA und definieren Sie Ihr Problem. Nutzen Sie die Projektrubrik als Leitfaden und scheuen Sie sich nicht, sich einige Datens盲tze anzusehen, bis Sie einen finden, der 蹿眉谤 das Projekt geeignet ist.

In dieser Woche lernen wir nicht-parametrische Modelle kennen. k-N盲chste Nachbarn macht auf einer intuitiven Ebene Sinn. Entscheidungsb盲ume sind ein 眉berwachtes Lernmodell, das entweder 蹿眉谤 Regressions- oder Klassifizierungsaufgaben verwendet werden kann. In Modul 2 haben wir den Kompromiss zwischen Verzerrung und Varianz kennengelernt, und wir haben diesen Kompromiss im Laufe des Kurses im Auge behalten. Hochflexible Baummodelle haben den Vorteil, dass sie komplexe, nicht-lineare Beziehungen erfassen k枚nnen. Sie sind jedoch anf盲llig 蹿眉谤 eine 脺beranpassung. In dieser und der n盲chsten Woche werden wir uns mit Strategien wie dem Pruning besch盲ftigen, um eine 脺beranpassung mit baumbasierten Modellen zu vermeiden. In dieser Woche werden Sie einen KNN-Klassifikator 蹿眉谤 den ber眉hmten MNIST-Datensatz erstellen und anschlie脽end einen Spam-Klassifikator mit Hilfe eines Entscheidungsbaummodells entwickeln. In dieser Woche werden wir einmal mehr die Macht einfacher, verst盲ndlicher Modelle zu sch盲tzen wissen. Machen Sie weiter mit Ihrem Abschlussprojekt. Sobald Sie Ihren Datensatz und Ihre EDA fertiggestellt haben, beginnen Sie mit dem ersten Ansatz 蹿眉谤 Ihre Hauptaufgabe des 眉berwachten Lernens. Lesen Sie das Kursmaterial durch, lesen Sie Forschungsarbeiten, schauen Sie sich GitHub-Repositories und Medium-Artikel an, um Ihr Thema zu verstehen und Ihren Ansatz zu planen.

Letzte Woche haben wir etwas 眉ber Baummodelle gelernt. Trotz aller Vorteile von Baummodellen hatten sie einige Schw盲chen, die schwer zu 眉berwinden waren. Diese Woche werden wir uns mit Ensemble-Methoden befassen, um die Tendenz von Baummodellen zur 脺beranpassung zu 眉berwinden. Der Gewinner verwendet in vielen Wettbewerben zum maschinellen Lernen einen Ensemble-Ansatz, bei dem die Vorhersagen von mehreren Baummodellen zusammengefasst werden. In dieser Woche werden Sie zun盲chst etwas 眉ber Random Forests und Bagging lernen, eine Technik, bei der derselbe Algorithmus mit verschiedenen Teilmengen der Trainingsdaten trainiert wird. Dann lernen Sie Boosting kennen, eine Ensemble-Methode, bei der die Modelle nacheinander trainiert werden. Sie werden zwei wichtige Boosting-Algorithmen kennenlernen: AdaBoost und Gradient Boosting. In dieser Woche arbeiten Sie an der Hauptanalyse 蹿眉谤 Ihr Abschlussprojekt. Iterieren und verbessern Sie Ihre Modelle. Vergleichen Sie verschiedene Modelle. F眉hren Sie eine Optimierung der Hyperparameter durch. Manchmal kann sich dieser Teil eines Projekts zum maschinellen Lernen m眉hsam anf眉hlen, aber es wird sich hoffentlich lohnen, wenn Sie sehen, wie sich Ihre Leistung verbessert.

Diese Woche werden wir uns mit einem weiteren fortgeschrittenen Thema befassen: Support Vector Machines. Lassen Sie sich von dem Namen nicht einsch眉chtern. In dieser Woche werden wir uns mit diesem leistungsstarken Modell des 眉berwachten Lernens befassen. Wir hoffen, dass Sie ein intuitives Verst盲ndnis 蹿眉谤 die wesentlichen Konzepte wie den Unterschied zwischen harten und weichen R盲ndern, den Kernel-Trick und die Abstimmung der Hyperparameter entwickeln werden. N盲chste Woche werden Sie die drei Ergebnisse Ihres Abschlussprojekts einreichen: den Bericht, die Videopr盲sentation und einen Link zu Ihrem GitHub-Repository. Nehmen wir an, Sie wollen die Iteration Ihrer Modelle, die Optimierung der Hyperparameter usw. in dieser Woche abschlie脽en. In diesem Fall k枚nnen Sie in der n盲chsten Woche Ihrem Bericht den letzten Schliff geben, sicherstellen, dass Ihr GitHub-Repository 蹿眉谤 die Peer Review bereit ist, und eine hervorragende Pr盲sentation Ihrer Arbeit halten.