Обучение с учителем: Классификация

Средний

В рамках этого курса мы продолжим изучать еще одно важное применение обучения с учителем - решение задач классификации. В следующих уроках вы познакомитесь с: логистической регрессией, алгоритмом k-ближайших соседей, наивным Байесовским классификатором, методом опорных векторов, перцептроном и искусственной нейронной сетью, решающими деревьями и случайными лесами, а также методами бэггинга и бустинга. Курс начнется с принципов работы каждого из этих методов. Вам предстоит полностью понять реализацию

scikit-learnMachine Learning

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

Введение

В этом курсе вы научитесь решать задачи классификации с использованием различных алгоритмов обучения с учителем.

🎯 Задачи

В рамках этого курса вы научитесь:

  • Реализовывать логистическую регрессию, алгоритм k-ближайших соседей (K-nearest neighbor algorithm), наивный Байесовский классификатор (naive Bayes), метод опорных векторов (support vector machine), перцептрон (perceptron) и искусственную нейронную сеть (artificial neural network), решающие деревья (decision tree) и случайные леса (random forest), а также методы бэггинга (bagging) и бустинга (boosting).
  • Поннимать принципы работы каждого из этих алгоритмов классификации.
  • Реализовывать и применять эти алгоритмы для решения реальных задач классификации, таких как распознавание рукописных цифр.

🏆 Достижения

После завершения этого курса вы сможете:

  • Понять сильные и слабые стороны различных алгоритмов классификации и выбрать подходящий для вашей задачи.
  • Реализовывать и применять эти алгоритмы для решения задач классификации в различных областях.
  • Оценивать производительность этих алгоритмов с использованием методов кросс-валидации.

Преподаватель

labby

Labby

Labby is the LabEx teacher.