Aprendizagem supervisionada em R: Classificação
Neste curso, você aprenderá o básico de aprendizado de máquina para classificação.
Comece O Curso Gratuitamente4 horas14 vídeos55 exercícios91.217 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Esta introdução de nível iniciante ao aprendizado de máquina abrange quatro dos algoritmos de classificação mais comuns. Você terá uma compreensão básica de como cada algoritmo aborda uma tarefa de aprendizado, além de aprender as funções do R necessárias para aplicar essas ferramentas ao seu próprio trabalho.
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de aprendizado de máquina em R
Ir para a trilhaCientista de aprendizado de máquina in R
Ir para a trilha- 1
k-vizinhos mais próximos (kNN)
GratuitoComo o algoritmo kNN literalmente "aprende pelo exemplo", ele é um exemplo para você começar a entender o aprendizado de máquina supervisionado. Este capítulo apresentará a classificação enquanto você trabalha com a aplicação do kNN no reconhecimento de placas de trânsito de veículos autônomos.
Classificação com os vizinhos mais próximos50 xpReconhecer uma placa de trânsito com kNN100 xpPensando como vocêNN50 xpExplorando o conjunto de dados de sinais de trânsito100 xpClassificação de uma coleção de placas de trânsito100 xpE quanto ao "k" em kNN?50 xpEntendendo o impacto de "k50 xpTeste de outros valores "k100 xpVer como os vizinhos votaram100 xpPreparação de dados para kNN50 xpPor que normalizar os dados?50 xp - 2
Naive Bayes
O Naive Bayes usa princípios do campo da estatística para fazer previsões. Este capítulo apresentará os conceitos básicos dos métodos bayesianos e explorará como aplicar essas técnicas a sugestões de destinos semelhantes às do iPhone.
Compreensão dos métodos bayesianos50 xpCálculo de probabilidades100 xpCompreensão de eventos dependentes50 xpUm modelo simples de localização Naive Bayes100 xpExaminando probabilidades "brutas100 xpEntendendo a independência50 xpEntendendo a "ingenuidade" de NB50 xpA quem você está chamando de ingênuo?50 xpUm modelo de localização mais sofisticado100 xpPreparar-se para circunstâncias imprevistas100 xpEntendendo a correção de Laplace50 xpAplicação do Naive Bayes a outros problemas50 xpManuseio de preditores numéricos50 xp - 3
Regressão logística
A regressão logística envolve o ajuste de uma curva a dados numéricos para fazer previsões sobre eventos binários. Sem dúvida, um dos métodos de aprendizado de máquina mais usados, este capítulo fornecerá uma visão geral da técnica e ilustrará como aplicá-la aos dados de captação de recursos.
Fazer previsões binárias com regressão50 xpCriação de modelos simples de regressão logística100 xpFazendo uma previsão binária100 xpAs limitações da precisão50 xpCompensações de desempenho do modelo50 xpCálculo das curvas ROC e AUC100 xpComparação das curvas do site ROC50 xpVariáveis fictícias, dados ausentes e interações50 xpCodificação de características categóricas100 xpTratamento de dados ausentes100 xpCompreensão dos indicadores de valores ausentes50 xpCriação de um modelo mais sofisticado100 xpSeleção automática de recursos50 xpOs perigos da regressão por etapas50 xpCriação de um modelo de regressão stepwise100 xp - 4
Árvores de classificação
As árvores de classificação usam estruturas semelhantes a fluxogramas para tomar decisões. Como os seres humanos podem entender prontamente essas estruturas de árvore, as árvores de classificação são úteis quando a transparência é necessária, como na aprovação de empréstimos. Usaremos o conjunto de dados do Lending Club para simular esse cenário.
Tomar decisões com árvores50 xpCriação de uma árvore de decisão simples100 xpVisualização de árvores de classificação100 xpCompreensão das decisões da árvore50 xpCrescimento de árvores de classificação maiores50 xpPor que alguns galhos se dividem?50 xpCriação de conjuntos de dados de teste aleatórios100 xpCriação e avaliação de uma árvore maior100 xpRealização de uma avaliação de desempenho justa50 xpTendência para árvores de classificação50 xpPrevenção de árvores crescidas demais100 xpCriando uma árvore bem podada100 xpPor que as árvores se beneficiam da poda?50 xpVendo a floresta através das árvores50 xpEntendendo as florestas aleatórias50 xpCriação de um modelo de floresta aleatória100 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de aprendizado de máquina em R
Ir para a trilhaCientista de aprendizado de máquina in R
Ir para a trilhacolaboradores
pré-requisitos
Intermediate RBrett Lantz
Ver MaisSenior Data Scientist at Sony PlayStation
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Aprendizagem supervisionada em R: Classificação hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.