7 つの中級コード補完チャレンジで、scikit-learn を使った問題解決力を強化します。各チャレンジにはスターターファイルと具体的な TODO 要件があり、モデルの学習、評価、チューニング、解釈、可視化を行う関数を実装します。
20 のタスクステップは教師あり・教師なし学習を横断し、指標、Naive Bayes、K 近傍、検証曲線、決定木、線形・正則化回帰、3 種類のクラスタリングを扱います。すべてのタスクに自動チェックと参考解答があります。
学習内容
- 分類を正解率、適合率、再現率、F1 で、回帰を MSE、MAE、RMSE、R² で評価する
- 独自 scorer を作成し、標準化した SVR Pipeline をグリッドサーチで調整する
- Iris で Gaussian Naive Bayes を学習し、特徴量をスケーリングして Gaussian、Multinomial、Bernoulli を比較し、混同行列を出力する
- Iris を分割し、KNN を学習・評価して、より良い
kを探索する - 決定木の
max_depthに対する検証曲線を生成し、交差検証から深さを選び、再学習してテストする - pandas で Iris を準備し、
DecisionTreeClassifierを適合させ、適合率、再現率、F1 をまとめる - 提供された CSV に線形回帰を適合させ、回帰指標を計算し、Ridge と Lasso を交差検証で比較する
- Iris に K-means、凝集型クラスタリング、DBSCAN を適用し、シルエットスコアを比較してクラスタを可視化する
このコースの対象者
このコースは、入門的なモデル構築演習を終え、より自立した実装練習を求める Python と scikit-learn の学習者向けです。スターターコードを読み、関数本体を補完し、要件を解釈し、失敗したチェックをデバッグできることが必要です。
前提知識： Python、NumPy または pandas のデータ構造、訓練・テスト分割、estimator の fit と predict、分類と回帰の基礎を推奨します。Python 構文をゼロから教えるチャレンジではありません。
学習環境： 7 つのチャレンジは Ubuntu 22.04 WebIDE で実行します。20 の中級タスクに、それぞれ自動チェックと参考解答があります。6 環境は scikit-learn 1.2.2、指標チャレンジは旧 Boston Housing 演習のため 1.1.3 と NumPy 2 未満に固定されています。
よくある質問
scikit-learn の最初の入門として適していますか？
最適ではありません。コース全体は初級表示ですが、7 つのチャレンジはすべて個別に中級で、TODO 中心のスターターコードから始まります。fit、predict、指標、データ分割が初めてなら、先にガイド付き基礎を学んでください。
どの程度のガイドとフィードバックがありますか？
各タスクは必要な関数や出力を説明し、スターターファイルを提供しますが、欠けているロジックは自分で実装します。20 のタスクすべてに 1 つの自動チェックと参考解答があります。
どのデータセットを使いますか？
複数のチャレンジで Iris を再利用します。指標では Breast Cancer と旧 Boston Housing、線形回帰では付属 CSV も使います。大規模な本番データセットの紹介ではなく、アルゴリズムに焦点を当てた練習です。
最新版 scikit-learn で無変更のまま動きますか？
すべては動きません。指標チャレンジは後に削除された Boston Housing loader を import するため、意図的に scikit-learn 1.1.3 をインストールし、他は 1.2.2 に固定されています。この演習はバージョン固有と考え、現代のプロジェクトでは現在サポートされるデータセットに置き換えてください。
