Lineare Klassifikatoren in Python
Erstellen Sie Ihr kostenloses Konto
So verläuft der Kurs
Jede Lektion ist ein strukturierter Text, illustriert mit Beispielen und Schaubildern, gefolgt von einem automatisch korrigierten Quiz. Sie kommen in Ihrem eigenen Tempo voran, und Ihre Notizen bleiben mit der Lektion verknüpft, in der Sie sie gemacht haben.
6 Kapitel, 46 Lektionen
- 2. Auffrischung der Grundlagen von scikit-learngeöffnet
- 2. Die KNN-Klassifikation entdeckengeöffnet
- 2. Modellleistungen vergleichengeöffnet
- 2. Überanpassung verstehengeöffnet
- 2. Logistische Regression und SVM anwendengeöffnet
- 2. LogisticRegression und SVC verwendengeöffnet
- 2. Eine Sentimentanalyse von Filmkritiken durchführengeöffnet
- 2. Lineare Klassifikatoren verstehengeöffnet
- 2. Lineare Entscheidungsgrenzen erkennengeöffnet
- 2. Entscheidungsgrenzen visualisierengeöffnet
- 3. Die Koeffizienten linearer Klassifikatoren untersuchenAbonnenten
- 3. Verstehen, wie Modelle ihre Vorhersagen erzeugenAbonnenten
- 3. Koeffizienten eines Modells anpassenAbonnenten
- 3. Das Konzept der Verlustfunktion entdeckenAbonnenten
- 3. Die 0-1-Verlustfunktion verstehenAbonnenten
- 3. Lernen, eine Verlustfunktion zu minimierenAbonnenten
- 3. Die verschiedenen Verlustfunktionen visualisierenAbonnenten
- 3. Verlustfunktionen in der Klassifikation erkundenAbonnenten
- 3. Die logistische und die Hinge-Verlustfunktion vergleichenAbonnenten
- 3. Ein logistisches Regressionsmodell implementierenAbonnenten
- 4. Die Regularisierung in der logistischen Regression verstehenAbonnenten
- 4. Eine regularisierte logistische Regression umsetzenAbonnenten
- 4. Die logistische Regression zur Variablenauswahl nutzenAbonnenten
- 4. Die positivsten und negativsten Wörter identifizierenAbonnenten
- 4. Wahrscheinlichkeiten in der logistischen Regression verstehenAbonnenten
- 4. Die Klassenzugehörigkeitswahrscheinlichkeiten extrahierenAbonnenten
- 4. Den Einfluss der Regularisierung auf die Wahrscheinlichkeiten untersuchenAbonnenten
- 4. Einfache und komplexe Klassifikationsbeispiele visualisierenAbonnenten
- 4. Die multinomiale logistische Regression entdeckenAbonnenten
- 4. Die Anzahl der Koeffizienten bestimmenAbonnenten
- 4. Ein multinomiales logistisches Regressionsmodell anpassenAbonnenten
- 4. Die Ergebnisse der multinomialen logistischen Regression visualisierenAbonnenten
- 4. Die One-vs-Rest-SVM-Strategie anwendenAbonnenten
- 5. Die Stützvektoren verstehenAbonnenten
- 5. Stützvektoren identifizierenAbonnenten
- 5. Den Effekt des Entfernens bestimmter Beobachtungen untersuchenAbonnenten
- 5. SVM mit Kernel kennenlernenAbonnenten
- 5. GridSearchCV einsetzenAbonnenten
- 5. Die Parameter gamma und C gleichzeitig mit GridSearchCV optimierenAbonnenten
- 5. Logistische Regression, SVMs und andere Methoden vergleichenAbonnenten
- 5. Die Vorteile von SVMs identifizierenAbonnenten
- 5. Die Vorteile der logistischen Regression identifizierenAbonnenten
- 5. Das Modell SGDClassifier verwendenAbonnenten
- 5. Zum AbschlussAbonnenten
Alles, was die Lektionen begleitet
Wie viel Zeit, je nach Ihrer Verfügbarkeit
Was Sie am Ende erhalten
Sobald der Kurs abgeschlossen ist, wird die Teilnahmebescheinigung auf Ihren Namen ausgestellt. Mit ihrem Code kann ein Recruiter sie in wenigen Sekunden überprüfen.
Es handelt sich weder um einen Abschluss noch um eine berufliche Zertifizierung; es ist der überprüfbare Nachweis, dass Sie diesen Kurs absolviert und erfolgreich abgeschlossen haben.
Wer diesen Kurs schreibt
Eine klare und praxisnahe Didaktik mit konkreten Beispielen, damit Sie effektiv lernen.
Bevor Sie beginnen
Starten Sie noch heute mit diesem Kurs
11 offene Lektionen, ohne Kreditkarte. Sie sehen das Niveau und den Ton, bevor Sie sich entscheiden.