Этот курс больше не поддерживается. Посмотрите наши новые курсы и лабораторные работы. Будем рады вашим отзывам в Discord .

Практические лабораторные работы по Sklearn

Этот курс содержит множество лабораторных работ по Sklearn. Каждая лабораторная работа представляет собой небольшой проект на Sklearn с подробными инструкциями и решениями. Вы можете практиковать свои навыки работы с Sklearn, улучшить свои навыки программирования и научиться писать чистый и эффективный код, выполняя эти лабораторные работы.

PythonНаука о данных

💡 Этот учебник переведен с английского с помощью ИИ. Чтобы просмотреть оригинал, вы можете перейти на английский оригинал

Программа

Техники регрессии нелинейных данных

Прогноз цены биткойна

Кластеризация на основе центроидов

Спектральная кластеризация и другие методы кластеризации

Техники нелинейного распознавания образов

Быстрый выбор моделей с использованием cross-validation

Классификация с использованием дерева решений на Python

Вероятностная классификация с использованием наивного Байеса

Метод Bagging и Boosting

Исследование иерархической кластеризации для кластеризации

Руководство по TensorFlow

Небольшая нейронная сеть, реализованная с использованием TensorFlow 2

Сохранение и восстановление модели в TensorFlow 2

Обучение нейронной сети для распознавания рукописных цифр

Вычисление коэффициента регрессии с гребнем

Основы линейной регрессии

Классификация с использованием логистической регрессии в Scikit-Learn

Предсказание цен на жилье в Пекине

Кластеризация на основе плотности

Сжатие изображений с использованием Mini Batch K Means

Приложение кластеризации на основе плотности

Алгоритм k ближайших соседей

Регирессия с риджем (Ridge Regression) и LASSO-регрессия

Классификация датасета по оценке безопасности автомобилей

Перцептрон и искусственная нейронная сеть

Введение

Этот курс «Практические лабораторные работы по Sklearn» разработан для того, чтобы помочь вам овладеть практическим применением популярной библиотеки машинного обучения Scikit-learn (Sklearn). С помощью серии тщательно подобранных лабораторных работ вы получите возможность применить свои знания Sklearn в реальных проектах, улучшить свои навыки программирования и научиться писать чистый и эффективный код.

🎯 Задачи

В этом курсе вы научитесь:

  • Реализовывать широкий спектр алгоритмов Sklearn, включая методы классификации, регрессии, кластеризации и понижения размерности
  • Предварительно обрабатывать и готовить данные для моделей Sklearn
  • Настраивать гиперпараметры моделей и оценивать их производительность
  • Применять Sklearn для решения практических задач в таких областях, как распознавание образов, обработка естественного языка и предиктивный анализ

🏆 Достижения

После завершения этого курса вы сможете:

  • С уверенностью применять Sklearn для решения различных задач машинного обучения
  • Получить глубокое понимание основных функций и лучших практик Sklearn
  • Улучшить свои навыки программирования, работая над хорошо спроектированными практическими проектами на Sklearn
  • Стать профи в написании чистого, эффективного и поддерживаемого кода на основе Sklearn

Преподаватель

labby
Labby
Labby is the LabEx teacher.

Рекомендовано для вас

no data