教師あり学習:分類

中級

このコースでは、教師あり学習におけるもう 1 つの重要なアプリケーション、つまり分類問題の解決方法を学びます。以下のレッスンでは、ロジスティック回帰、k-最近傍法、ナイーブベイズ、サポートベクターマシン、パーセプトロンと人工ニューラルネットワーク、決定木とランダムフォレスト、バギングとブースティング手法に触れます。コースでは、これらの各手法の原理から始まります。あなたは、その実装を完全に理解する必要があります。

scikit-learnMachine Learning

💡 このチュートリアルは英語版からAIによって翻訳されています。原文を確認するには、 ここをクリックしてください

はじめに

このコースでは、さまざまな教師あり学習アルゴリズムを使用して分類問題を解く方法を学びます。

🎯 タスク

このコースでは、以下のことを学びます。

  • ロジスティック回帰、k-最近傍法(K-nearest neighbor algorithm)、ナイーブベイズ(naive Bayes)、サポートベクターマシン(support vector machine)、パーセプトロン(perceptron)と人工ニューラルネットワーク(artificial neural network)、決定木(decision tree)とランダムフォレスト(random forest)、バギング(bagging)とブースティング(boosting)手法を実装する方法。
  • これらの各分類アルゴリズムの背後にある原理を理解する方法。
  • これらのアルゴリズムを実装し、手書き数字認識などの実世界の分類問題を解くために適用する方法。

🏆 達成目標

このコースを修了した後、あなたは以下のことができるようになります。

  • 異なる分類アルゴリズムの長所と短所を理解し、あなたの問題に適したアルゴリズムを選択すること。
  • これらのアルゴリズムを実装し、さまざまなドメインの分類問題を解くために適用すること。
  • 交差検証(cross-validation)手法を使用してこれらのアルゴリズムの性能を評価すること。

講師

labby

Labby

Labby is the LabEx teacher.