Сформируйте широкую основу классической классификации с учителем в десяти Jupyter Notebook. Вы изучите принципы решений основных алгоритмов, реализуете отдельные механизмы на Python, построите модели scikit-learn, визуализируете результаты и сравните классификаторы перекрёстной проверкой.
Курс связывает математику с кодом: сигмоида и log loss, расстояния и голосование KNN, вероятность Байеса, границы и ядра SVM, прирост информации, обратное распространение и объединение моделей. Задания закрепляют распределение Гаусса, распознавание цифр и выбор моделей.
Чему вы научитесь
- Выводить и реализовывать логистическую регрессию с сигмоидой, log loss, градиентным спуском и scikit-learn
- Строить KNN на расстояниях и голосовании, исследовать выбор K и kd-деревья
- Применять теорему Байеса, оценку параметров, Multinomial Naive Bayes и распределения Гаусса
- Сравнивать линейные и нелинейные SVM и распространённые функции ядра
- Реализовывать перцептрон и обратное распространение, классифицировать цифры с
MLPClassifier - Строить деревья с приростом информации, обрезкой и scikit-learn
- Обучать Bagging, Random Forest, AdaBoost и Gradient Boosting
- Готовить Abalone и сравнивать семь классификаторов 10-кратной перекрёстной проверкой
Для кого этот курс
Курс предназначен для знакомых с Python учащихся, которые хотят понять широкий набор классических методов, а не только вызвать один estimator. Он подходит для перехода от вводного машинного обучения к сравнению и выбору моделей. Несмотря на начальный уровень, математические выводы и ручные компоненты не подходят новичкам в программировании или алгебре.
Предварительные требования: Рекомендуются Python, NumPy, Pandas, построение графиков и базовая алгебра. Полезны вероятность, производные, train/test-разбиение, признаки и метки.
Учебная среда: Все десять занятий выполняются в предоставленной среде Jupyter на Ubuntu 22.04 с объяснениями, визуализациями, примерами scikit-learn, данными и кодом для завершения.
Часто задаваемые вопросы
Алгоритмы реализуются с нуля или используется scikit-learn?
И то и другое. Notebook программируют логистический градиент, расстояния и голосование KNN, обновления перцептрона и разделение дерева, а затем используют estimators для практического обучения.
Какие классификаторы рассматриваются?
Логистическая регрессия, KNN, Naive Bayes, линейные и ядерные SVM, перцептроны и MLP, деревья, Bagging, Random Forest, AdaBoost и Gradient Boosting.
Изучаются ли оценка и выбор моделей?
Да. В лабораториях рассчитывается точность, а последний Notebook готовит Abalone и сравнивает семь семейств 10-кратной проверкой с параметрами по умолчанию.
Можно ли копировать примеры в современный проект scikit-learn?
Подготовленная среда поддерживает Notebook, но некоторые примеры используют старые imports или конструкторы. В новой установке сверяйтесь с текущим API и заменяйте устаревшие имена и аргументы.
