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.
