This course will help us to evaluate and compare the models we have developed in previous courses. So far we have developed techniques for regression and classification, but how low should the error of a classifier be (for example) before we decide that the classifier is "good enough"? Or how do we decide which of two regression algorithms is better?
Этот курс входит в специализацию ''Специализация Python Data Products for Predictive Analytics'
от партнера
Специализация Python Data Products for Predictive AnalyticsКалифорнийский университет в Сан-ДиегоОб этом курсе
Недавно просмотрено: 4,700
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 9 часов на выполнение
Английский
Субтитры: Английский
Чему вы научитесь
Understand the definitions of simple error measures (e.g. MSE, accuracy, precision/recall).
Evaluate the performance of regressors / classifiers using the above measures.
Understand the difference between training/testing performance, and generalizability.
Understand techniques to avoid overfitting and achieve good generalization performance.
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 9 часов на выполнение
Английский
Субтитры: Английский
от партнера
Калифорнийский университет в Сан-Диего
UC San Diego is an academic powerhouse and economic engine, recognized as one of the top 10 public universities by U.S. News and World Report. Innovation is central to who we are and what we do. Here, students learn that knowledge isn't just acquired in the classroom—life is their laboratory.
Программа курса: что вы изучите
3 ч. на завершение
Week 1: Diagnostics for Data
For this first week, we will go over the syllabus, download all course materials, and get your system up and running for the course. We will also introduce the basics of diagnostics for the results of supervised learning.
3 ч. на завершение
6 видео ((всего 49 мин.)), 4 материалов для самостоятельного изучения, 3 тестов
6 видео
Motivation Behind the MSE8мин
Regression Diagnostics: MSE and R²6мин
Over- and Under-Fitting6мин
Classification Diagnostics: Accuracy and Error11мин
Classification Diagnostics: Precision and Recall12мин
4 материала для самостоятельного изучения
Syllabus10мин
Setting Up Your System10мин
(Optional) Additional Resources and Recommended Readings10мин
Course Materials10мин
3 практических упражнения
Review: Regression Diagnostics30мин
Review: Classification Diagnostics30мин
Diagnostics for Data30мин
2 ч. на завершение
Week 2: Codebases, Regularization, and Evaluating a Model
This week, we will learn how to create a simple bag of words for analysis. We will also cover regularization and why it matters when building a model. Lastly, we will evaluate a model with regularization, focusing on classifiers.
2 ч. на завершение
4 видео ((всего 35 мин.))
4 видео
Model Complexity and Regularization10мин
Adding a Regularizer to our Model, and Evaluating the Regularized Model8мин
Evaluating Classifiers for Ranking4мин
4 практических упражнения
Review: Setting Up a Codebase30мин
Review: Regularization5мин
Review: Evaluating a Model5мин
Codebases, Regularization, and Evaluating a Model45мин
2 ч. на завершение
Week 3: Validation and Pipelines
This week, we will learn about validation and how to implement it in tandem with training and testing. We will also cover how to implement a regularization pipeline in Python and introduce a few guidelines for best practices.
2 ч. на завершение
4 видео ((всего 24 мин.))
4 видео
Validation5мин
“Theorems” About Training, Testing, and Validation8мин
Implementing a Regularization Pipeline in Python5мин
Guidelines on the Implementation of Predictive Pipelines5мин
3 практических упражнения
Review: Validation30мин
Review: Predictive Pipelines30мин
Predictive Pipelines20мин
2 ч. на завершение
Final Project
In the final week of this course, you will continue building on the project from the first and second courses of Python Data Products for Predictive Analytics with simple predictive machine learning algorithms. Find a dataset, clean it, and perform basic analyses on the data. Evaluate your model, validate your analyses, and make sure you aren't overfitting the data.
2 ч. на завершение
2 материалов для самостоятельного изучения
2 материала для самостоятельного изучения
Project Description10мин
Where to Find Datasets10мин
Рецензии
Лучшие отзывы о курсе MEANINGFUL PREDICTIVE MODELING
от партнера IS16 нояб. 2019 г.
Excellent content, but presentation is a bit challenging at times.
Специализация Python Data Products for Predictive Analytics: общие сведения
Python data products are powering the AI revolution. Top companies like Google, Facebook, and Netflix use predictive analytics to improve the products and services we use every day. Take your Python skills to the next level and learn to make accurate predictions with data-driven systems and deploy machine learning models with this four-course Specialization from UC San Diego.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Что я получу, оформив подписку на специализацию?
Is financial aid available?
Остались вопросы? Посетите Центр поддержки учащихся.
