Fallstudien: Analyse von Stimmungen & Vorhersage von Kreditausf盲llen In unserer Fallstudie zur Analyse von Stimmungen erstellen Sie Modelle, die eine Klasse (positive/negative Stimmung) anhand von Eingabemerkmalen (Text der Bewertungen, Benutzerprofilinformationen,...) vorhersagen. In unserer zweiten Fallstudie 蹿眉谤 diesen Kurs, der Vorhersage von Kreditausf盲llen, werden Sie sich mit Finanzdaten besch盲ftigen und vorhersagen, wann ein Kredit 蹿眉谤 die Bank wahrscheinlich riskant oder sicher ist. Diese Aufgaben sind Beispiele 蹿眉谤 die Klassifizierung, eines der am h盲ufigsten verwendeten Gebiete des maschinellen Lernens mit einer breiten Palette von Anwendungen, darunter Ad Targeting, Spam-Erkennung, medizinische Diagnose und Bildklassifizierung.
In diesem Kurs werden Sie Klassifikatoren erstellen, die bei einer Vielzahl von Aufgaben eine Spitzenleistung erbringen. Sie werden mit den erfolgreichsten Techniken vertraut gemacht, die in der Praxis am h盲ufigsten eingesetzt werden, darunter logistische Regression, Entscheidungsb盲ume und Boosting. Dar眉ber hinaus werden Sie in der Lage sein, die zugrundeliegenden Algorithmen zu entwerfen und zu implementieren, mit denen diese Modelle unter Verwendung des stochastischen Gradientenanstiegs in gro脽em Ma脽stab erlernt werden k枚nnen. Sie werden diese Techniken bei realen, gro脽 angelegten Aufgaben des maschinellen Lernens implementieren. Sie werden sich auch mit wichtigen Aufgaben befassen, mit denen Sie bei realen Anwendungen von ML konfrontiert werden, wie z.B. dem Umgang mit fehlenden Daten und der Messung von Pr盲zision und Recall zur Bewertung eines Klassifikators. Dieser Kurs ist praxisorientiert, voller Action und voller Visualisierungen und Illustrationen, die zeigen, wie sich diese Techniken bei echten Daten verhalten. Wir haben au脽erdem optionale Inhalte in jedes Modul aufgenommen, die fortgeschrittene Themen 蹿眉谤 diejenigen behandeln, die noch tiefer einsteigen m枚chten!
Lernziele: Am Ende dieses Kurses werden Sie in der Lage sein: -Beschreiben Sie die Eingabe und Ausgabe eines Klassifizierungsmodells. -Bearbeiten Sie sowohl bin盲re als auch Mehrklassen-Klassifizierungsprobleme. -Implementieren Sie ein logistisches Regressionsmodell 蹿眉谤 eine umfangreiche Klassifizierung.
-Erstellen Sie ein nicht-lineares Modell mit Hilfe von Entscheidungsb盲umen. Verbessern Sie die Leistung eines beliebigen Modells mit Boosting. Skalieren Sie Ihre Methoden mit stochastischem Gradientenanstieg. Beschreiben Sie die zugrunde liegenden Entscheidungsgrenzen.
-Erstellen Sie ein Klassifizierungsmodell zur Vorhersage der Stimmung in einem Datensatz 蹿眉谤 Produktbewertungen.
-Analysieren Sie Finanzdaten, um Kreditausf盲lle vorherzusagen. -Verwenden Sie Techniken 蹿眉谤 den Umgang mit fehlenden Daten. -Evaluieren Sie Ihre Modelle anhand von Pr盲zisions-Wiedererkennungs-Metriken. -Implementieren Sie diese Techniken in Python (oder in einer Sprache Ihrer Wahl, wobei Python sehr zu empfehlen ist).
enthalten
