Questa lezione fa parte del corso
Scopri l’apprendimento supervisionato con scikit-learn
6 capitoli · 51 lezioni
Découvrez les principes clés de l’apprentissage supervisé avec scikit-learn !
1. Messaggio di benvenuto1 lezione
La piattaforma di formazioneiscritti
2. Scoprire i metodi di classificazione10 lezioni
Machine learning con scikit-learnabbonati Classificazione binariasei qui Tappe chiave dell’apprendimento supervisionatoabbonati Impostare un problema di classificazioneabbonati Adattare un modello con i k vicini più prossimiabbonati Effettuare previsioni con i k vicini più prossimiabbonati Valutare le prestazioni del modelloiscritti Separare i dati e misurare la precisioneiscritti Individuare l'overfitting e l'underfittingiscritti Analizzare la complessità del modelloiscritti
3. Scoprire i metodi di regressione13 lezioni
Introduzione ai principi della regressioneiscritti Creare e selezionare le feature pertinentiiscritti Costruire un modello di regressione lineareiscritti Rappresentare graficamente un modello di regressione lineareiscritti Acquisire i principi fondamentali della regressione lineareiscritti Adattare un modello e realizzare previsioniiscritti Valutare le prestazioni di un modello di regressioneiscritti Scoprire i principi della convalida incrociataabbonati Valutare il coefficiente R² tramite convalida incrociataabbonati Interpretare gli indicatori di convalida incrociataabbonati Migliorare i modelli grazie alla regolarizzazioneabbonati Applicare la regolarizzazione Ridge (Cresta)abbonati Identificare le caratteristiche importanti con la regressione Lassoabbonati
4. Ottimizzare e migliorare le prestazioni del tuo modello10 lezioni
Valutare l'affidabilità e la qualità del tuo modelloabbonati Scegliere una metrica di valutazione adeguataabbonati Valutare un classificatore di previsione del diabeteabbonati Scoprire la regressione logistica e la curva ROCabbonati Costruire un modello di regressione logisticaabbonati Tracciare e interpretare la curva ROCiscritti Misurare le prestazioni con l’area sotto la curva ROC (ROC AUC)iscritti Capire la regolazione degli iperparametriiscritti Ottimizzare gli iperparametri con GridSearchCViscritti Esplorare gli iperparametri con RandomizedSearchCViscritti
5. Preparare i dati e costruire pipeline di elaborazione16 lezioni
Preparare e trasformare i datiiscritti Codificare le variabili categorialiiscritti Applicare la regressione ai dati categorialiiscritti Gestire i valori mancantiiscritti Trattare i dati incompleti tramite eliminazioneiscritti Costruire una pipeline per prevedere il genere musicale (1ª parte)iscritti Completare la pipeline di previsione del genere musicale (2ª parte)iscritti Standardizzare i dati mediante centratura e ridimensionamentoiscritti Applicare la standardizzazione a un modello di regressioneiscritti Standardizzare i dati per la classificazioneiscritti Confrontare le prestazioni di più modelliiscritti Visualizzare i risultati dei modelli di regressioneiscritti Effettuare previsioni sui dati di testiscritti Confrontare graficamente le prestazioni dei modelli di classificazioneiscritti Creare una pipeline per prevedere la popolarità delle canzoniiscritti Bilancio delle conoscenze acquisite nel corsoiscritti
6. Conclusione1 lezione
Conclusione del corsoiscritti