Развивайте навыки решения задач со scikit-learn в семи заданиях промежуточного уровня на дополнение кода. В каждом есть начальные файлы и конкретные требования TODO, а вам нужно реализовать функции обучения, оценки, настройки, интерпретации или визуализации моделей.
20 этапов охватывают обучение с учителем и без него: метрики, Naive Bayes, KNN, кривые валидации, деревья решений, линейную и регуляризованную регрессию и три метода кластеризации. Каждая задача имеет автоматическую проверку и эталонное решение.
Чему вы научитесь
- Оценивать классификацию по accuracy, precision, recall и F1, а регрессию по MSE, MAE, RMSE и R²
- Создавать собственный scorer и применять масштабируемый SVR pipeline с поиском по сетке
- Обучать Gaussian Naive Bayes на Iris, масштабировать признаки, сравнивать Gaussian, Multinomial и Bernoulli и строить матрицу ошибок
- Разделять Iris, обучать KNN, оценивать прогнозы и искать лучшее значение
k - Строить кривые для
max_depth, выбирать глубину по кросс-валидации, переобучать и тестировать дерево - Готовить Iris в pandas, обучать
DecisionTreeClassifierи суммировать precision, recall и F1 - Обучать линейную регрессию на предоставленных CSV, вычислять метрики и сравнивать Ridge и Lasso кросс-валидацией
- Применять K-means, агломеративную кластеризацию и DBSCAN к Iris, сравнивать коэффициенты силуэта и визуализировать кластеры
Для кого этот курс
Курс предназначен для изучающих Python и scikit-learn, которые уже прошли вводные упражнения по моделям и хотят более самостоятельной реализации. Нужно уметь читать начальный код, дополнять функции, понимать требования и отлаживать неудачные проверки.
Предварительные требования: Рекомендуются Python, структуры NumPy или pandas, разделение на обучение и тест, fit и predict и основы классификации и регрессии. Синтаксис Python с нуля не объясняется.
Учебная среда: Все семь заданий выполняются в WebIDE Ubuntu 22.04. Они содержат 20 промежуточных этапов с автоматической проверкой и эталонным решением. Шесть сред фиксируют scikit-learn 1.2.2; задание по метрикам — 1.1.3 и NumPy ниже 2 для устаревших упражнений Boston Housing.
Часто задаваемые вопросы
Подходят ли задания для первого знакомства со scikit-learn?
Не вполне. Хотя курс отмечен как начальный, все семь заданий имеют промежуточный уровень и начинаются с TODO-кода. Если fit, predict, метрики и разделение данных вам незнакомы, сначала пройдите пошаговые основы.
Сколько инструкций и обратной связи предоставляется?
Каждая задача описывает требуемые функции или вывод и предоставляет начальные файлы, но недостающую логику реализуете вы. У каждого из 20 этапов есть одна автоматическая проверка и эталонное решение.
Какие наборы данных используются?
В нескольких заданиях повторно используется Iris. Метрики также применяют Breast Cancer и устаревший Boston Housing, а линейная регрессия содержит собственные CSV. Это практика алгоритмов, а не обзор крупных производственных данных.
Заработает ли код без изменений с последней версией?
Не весь. Задание по метрикам намеренно ставит scikit-learn 1.1.3, поскольку импортирует удалённый позднее загрузчик Boston Housing; остальные фиксируют 1.2.2. Считайте это упражнение версионным и заменяйте набор на современный поддерживаемый при переносе.
