Beschreibung

Fallstudien: Analyse der Stimmungs- und Kreditausfallprognose

In unserer Fallstudie zur Stimmungsanalyse erstellen Sie Modelle, die eine Klasse (positive / negative Stimmung) anhand von Eingabefunktionen (Text der Bewertungen, Benutzerprofilinformationen,…) vorhersagen. In unserer zweiten Fallstudie für diesen Kurs, der Kreditausfallprognose, werden Sie sich mit Finanzdaten befassen und vorhersagen, wann ein Kredit für die Bank wahrscheinlich riskant oder sicher ist. Diese Aufgaben sind Beispiele für die Klassifizierung, einen der am häufigsten verwendeten Bereiche des maschinellen Lernens, mit einer breiten Palette von Anwendungen, einschließlich Anzeigenausrichtung, Spam-Erkennung, medizinischer Diagnose und Bildklassifizierung.

In diesem Kurs erstellen Sie Klassifizierer, die für eine Vielzahl von Aufgaben eine Leistung auf dem neuesten Stand der Technik bieten. Sie werden mit den erfolgreichsten Techniken vertraut gemacht, die in der Praxis am häufigsten eingesetzt werden, einschließlich logistischer Regression, Entscheidungsbäumen und Boosting. Darüber hinaus können Sie die zugrunde liegenden Algorithmen entwerfen und implementieren, mit denen diese Modelle mithilfe des stochastischen Gradientenaufstiegs im Maßstab erlernt werden können. Sie implementieren diese Technik in realen, umfangreichen maschinellen Lernaufgaben. Sie werden auch wichtige Aufgaben behandeln, denen Sie in realen Anwendungen von ML gegenüberstehen, einschließlich der Behandlung fehlender Daten und der Messung der Präzision sowie des Rückrufs zur Bewertung eines Klassifikators. Dieser Kurs ist praktisch, voller Action und voller Visualisierungen und Illustrationen, wie sich diese Techniken bei realen Daten verhalten. Wir haben auch optionale Inhalte in jedes Modul aufgenommen, die fortgeschrittene Themen für diejenigen abdecken, die noch tiefer gehen möchten!

Lernziele: Am Ende dieses Kurses können Sie:
-Beschreiben Sie die Eingabe und Ausgabe eines Klassifizierungsmodells.
- Beheben Sie sowohl binäre als auch Mehrklassenklassifizierungsprobleme.
-Implementieren Sie ein logistisches Regressionsmodell für die Klassifizierung in großem Maßstab.
- Erstellen Sie ein nichtlineares Modell mithilfe von Entscheidungsbäumen.
-Verbessern Sie die Leistung jedes Modells mithilfe von Boosting.
- Skalieren Sie Ihre Methoden mit stochastischem Gradientenanstieg.
-Beschreiben Sie die zugrunde liegenden Entscheidungsgrenzen.
- Erstellen Sie ein Klassifizierungsmodell, um die Stimmung in einem Produktbewertungsdatensatz vorherzusagen.
-Analyse von Finanzdaten, um Kreditausfälle vorherzusagen.
- Verwenden Sie Techniken zum Umgang mit fehlenden Daten.
- Bewerten Sie Ihre Modelle mithilfe von Präzisionsrückrufmetriken.
- Implementieren Sie diese Techniken in Python (oder in der Sprache Ihrer Wahl, obwohl Python dringend empfohlen wird).

Preis: Kostenlos anmelden!

Maschinelles Lernen: Klassifikation - Universität von Washington