scikit-learn Учебники
scikit-learn предлагает систематический подход к машинному обучению на Python. Наши учебные материалы охватывают различные алгоритмы машинного обучения, выбор моделей и методы оценки, подходящие как для начинающих, так и для специалистов среднего уровня. С бесплатными лабораториями и практическими примерами кода вы получите практический опыт в создании моделей машинного обучения. Наша игровая площадка науки о данных позволяет вам экспериментировать с функциями и наборами данных scikit-learn в реальном времени.
Другие деревья навыков
Кросс-валидация в Scikit-learn
В этой лабораторной работе вы научитесь выполнять кросс-валидацию с помощью scikit-learn для более надежной оценки производительности модели машинного обучения.
scikit-learn
Загрузка и исследование данных в Scikit-learn
В этой лабораторной работе вы изучите основы загрузки и исследования наборов данных в scikit-learn на примере классического набора данных Iris. Вы попрактикуетесь в доступе к данным, целевым переменным и именам признаков, а также выполните простую визуализацию.
scikit-learn
Предварительная обработка данных в Scikit-learn
В этой лабораторной работе вы изучите основные методы предварительной обработки данных в scikit-learn, включая масштабирование признаков с помощью StandardScaler и кодирование целевой переменной с помощью LabelEncoder, используя классический набор данных Iris.
scikit-learn
Установка и настройка Scikit-learn
В этой лабораторной работе вы научитесь проверять установку scikit-learn, импортировать необходимые модули и загружать пример набора данных для начала работы с машинным обучением в Python.
scikit-learn
Классификация KNN с помощью Scikit-learn
В этой лабораторной работе вы научитесь использовать scikit-learn для создания классификатора K-ближайших соседей (KNN), обучите его на наборе данных Iris и будете делать предсказания на новых данных.
scikit-learn
Линейная регрессия в Scikit-learn
В этой лабораторной работе вы научитесь создавать простую модель линейной регрессии с помощью scikit-learn для прогнозирования цен на жилье в Калифорнии.
scikit-learn
Оценка моделей Scikit-learn
В этой лабораторной работе вы научитесь оценивать классификационную модель scikit-learn, используя различные метрики, включая точность (accuracy), матрицу ошибок (confusion matrix), прецизионность (precision), полноту (recall) и F1-меру (F1 score).
scikit-learn
Классификация ирис-цветов с использованием SVM
В этом проекте вы научитесь классифицировать датасет ирис-цветов с использованием модели Support Vector Classifier (SVC). Датасет ирис-цветов - это классический датасет машинного обучения, содержащий информацию о различных видах ирис-цветов, включая длину и ширину чашелистика, длину и ширину лепестка.
Pythonscikit-learn
Вопросы и ответы на собеседовании по Scikit-learn
Подготовьтесь к собеседованиям по Sklearn с помощью этого исчерпывающего руководства, охватывающего ключевые концепции, алгоритмы, оценку моделей и практические применения.
scikit-learn