Об этом курсе

Недавно просмотрено: 44,867
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 11 часов на выполнение
Английский

Приобретаемые навыки

Decision TreeEnsemble LearningClassification AlgorithmsSupervised LearningMachine Learning (ML) Algorithms
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 11 часов на выполнение
Английский

от партнера

Placeholder

IBM

Программа курса: что вы изучите

Неделя
1

Неделя 1

2 ч. на завершение

Logistic Regression

2 ч. на завершение
10 видео ((всего 91 мин.)), 6 материалов для самостоятельного изучения, 3 тестов
10 видео
Welcome1мин
Optional: How to create a project in IBM Watson Studio5мин
Introduction: What is Classification?6мин
Introduction to Logistic Regression2мин
Classification with Logistic Regression12мин
Confusion Matrix, Accuracy, Specificity, Precision, and Recall7мин
Classification Error Metrics: ROC and Precision-Recall Curves10мин
Logistic Regression Lab - Part 113мин
Logistic Regression Lab - Part 216мин
Logistic Regression Lab - Part 313мин
6 материалов для самостоятельного изучения
About this course3мин
Optional: Introduction to IBM Watson Studio4мин
Optional: Overview of IBM Watson Studio3мин
Optional: Download data assets3мин
Logistic Regression Demo (Activity)10мин
Summary/Review4мин
3 практических упражнения
Logistic Regression4мин
Logistic Regression Demo2мин
End of Module10мин
Неделя
2

Неделя 2

1 ч. на завершение

K Nearest Neighbors

1 ч. на завершение
7 видео ((всего 50 мин.)), 2 материалов для самостоятельного изучения, 3 тестов
7 видео
K Nearest Neighbors Decision Boundary3мин
K Nearest Neighbors Distance Measurement8мин
K Nearest Neighbors with Feature Scaling5мин
K Nearest Neighbors Notebook - Part 19мин
K Nearest Neighbors Notebook - Part 26мин
K Nearest Neighbors Notebook - Part 311мин
2 материала для самостоятельного изучения
K Nearest Neighbors Demo (Activity)3мин
Summary/Review1мин
3 практических упражнения
K Nearest Neighbors3мин
N Nearest Neighbors Demo5мин
End of Module15мин
2 ч. на завершение

Support Vector Machines

2 ч. на завершение
11 видео ((всего 67 мин.)), 2 материалов для самостоятельного изучения, 4 тестов
11 видео
Classification with Support Vector Machines2мин
The Support Vector Machines Cost Function5мин
Regularization in Support Vector Machines6мин
Introduction to Support Vector Machines Gaussian Kernels2мин
Support Vector Machines Gaussian Kernels - Part 14мин
Support Vector Machines Gaussian Kernels - Part 24мин
Implementing Support Vector Machines Kernel Models8мин
Support Vector Machines Notebook - Part 18мин
Support Vector Machines Notebook - Part 28мин
Support Vector Machines Notebook - Part 310мин
2 материала для самостоятельного изучения
Support Vector Machines Demo (Activity)3мин
Summary/Review2мин
4 практических упражнения
Support Vector Machines5мин
Support Vector Machines Kernels3мин
Support Vector Machines Demo3мин
End of Module10мин
Неделя
3

Неделя 3

2 ч. на завершение

Decision Trees

2 ч. на завершение
8 видео ((всего 60 мин.)), 2 материалов для самостоятельного изучения, 3 тестов
8 видео
Building a Decision Tree6мин
Entropy-based Splitting2мин
Other Decision Tree Splitting Criteria4мин
Pros and Cons of Decision Trees5мин
Decision Trees Notebook - Part 16мин
Decision Trees Notebook - Part 28мин
Decision Trees Notebook - Part 315мин
2 материала для самостоятельного изучения
Decision Trees Demo (Activity)10мин
Summary/Review3мин
3 практических упражнения
Decision Trees4мин
Decision Trees Demo3мин
End of Module10мин
2 ч. на завершение

Ensemble Models

2 ч. на завершение
15 видео ((всего 93 мин.)), 3 материалов для самостоятельного изучения, 6 тестов
15 видео
Ensemble Based Methods and Bagging - Part 21мин
Ensemble Based Methods and Bagging - Part 33мин
Random Forest7мин
Bagging Notebook - Part 16мин
Bagging Notebook - Part 26мин
Bagging Notebook - Part 39мин
Review of Bagging4мин
Overview of Boosting3мин
Adaboost and Gradient Boosting Overview7мин
Adaboost and Gradient Boosting Syntax4мин
Stacking7мин
Boosting Notebook - Part 17мин
Boosting Notebook - Part 215мин
Boosting Notebook - Part 35мин
3 материала для самостоятельного изучения
Bagging Demo (Activity)3мин
Boosting and Stacking Demo (Activity)3мин
Summary/Review10мин
6 практических упражнений
Bagging5мин
Random Forest3мин
Bagging Demo3мин
Boosting and Stacking5мин
Boosting and Stacking Demo5мин
End of Module10мин
Неделя
4

Неделя 4

2 ч. на завершение

Modeling Unbalanced Classes

2 ч. на завершение
6 видео ((всего 30 мин.)), 1 материал для самостоятельного изучения, 3 тестов
6 видео
Upsampling and Downsampling6мин
Modeling Approaches: Weighting and Stratified Sampling3мин
Modeling Approaches: Random and Synthetic Oversampling5мин
Modeling Approaches: Nearing Neighbor Methods4мин
Modeling Approaches: Blagging5мин
1 материал для самостоятельного изучения
Summary/Review10мин
2 практических упражнения
Modeling Unbalanced Classes4мин
End of Module10мин

Рецензии

Лучшие отзывы о курсе SUPERVISED LEARNING: CLASSIFICATION

Посмотреть все отзывы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.