Interpretable Machine Learning Applications: Part 4

от партнера
В этом Проект с консультациями вы:

Set up a machine learning application in a "zero configuration" environment such as Google's Colab(oratory) Research platform.

Set up and configure the What-If Tool to analyze the behavior of exemplary machine learning prediction models.

1.5 hours
Учащийся среднего уровня
Загрузка не требуется
Видео на разделенном экране
Английский
Только для ПК

In this 1-hour long guided project, you will learn how to use the "What-If" Tool (WIT) in the context of training and testing machine learning prediction models. In particular, you will learn a) how to set up a machine learning application in Python by using interactive Python notebook(s) on Google's Colab(oratory) environment, a.k.a. "zero configuration" environment, b) import and prepare the data, c) train and test classifiers as prediction models, d) analyze the behavior of the trained prediction models by using WIT for specific data points (individual basis), e) moving on to the analysis of the behavior of the trained prediction models by using WIT global basis, i.e., all test data considered. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Навыки, которые вы получите

  • Data Analysis

  • Data scientist

  • Machine learning project management

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Set up the environment for the "What-If" tool (WIT) as an extension in Jupyter and as a Google's Colaboratory notebook, including importing of the dataset (e.g., white wine quality data)

  2. Train classifiers, e.g., Decision Tree and Random Forest, as exemplary machine learning  prediction models to make predictions about the quality of white wines.

  3. Launch the What-If Tool (WIT) widget. This task will allow us to get a first understanding on how our prediction model(s) behave at both individual and global levels.

  4. Use the What-If Tool (WIT) features to explain the behavior of a prediction model on an individual basis.

  5. Use the What-If Tool (WIT) advanced features to explain the behavior of a prediction model on an individual basis.

  6. Use the What-If Tool (WIT) features to explain the behavior of a prediction model on a global basis.

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Часто задаваемые вопросы

Приобретая проект с консультациями, вы получаете все необходимое для его выполнения, включая браузерный доступ к рабочему столу, содержащему папки и программы для начала работы, а также пошаговые видеоинструкции от отраслевого эксперта.

Поскольку ваше рабочее пространство включает облачный рабочий стол, рассчитанный на ноутбук или ПК, проекты с консультациями недоступны на мобильном устройстве.

Преподаватели, ведущие проект с рекомендациями, — это отраслевые эксперты с навыками, инструментами и пониманием темы, которые хотят разделить свои знания с миллионами учащихся по всему миру.

Вы можете скачать и сохранить любой из созданных файлов своего проекта с рекомендациями. Для этого воспользуйтесь функцией "Обозреватель файлов" на облачном рабочем столе.

Средства за проекты с рекомендациями не возвращаются. Ознакомьтесь с полным текстом нашей политики возврата средств.

Финансовая помощь недоступна для проектов с рекомендациями.

Прослушивание недоступно для проектов с консультациями.

В верхней части страницы вы можете нажать уровень опыта для этого проекта с консультациями, чтобы просмотреть предварительные требования к знаниями. Преподаватель проведет вас пошагово по каждому уровню проекта с консультациями.

Да, все необходимое для завершения проекта с рекомендациями будет доступно на облачном рабочем столе. Вы сможете открыть этот рабочий стол в браузере.

Вы научитесь выполнять задания в режиме разделенного экрана непосредственно в браузере. В левой части экрана можно выполнять задания в своем рабочем пространстве. В правой части экрана можно просматривать пошаговые инструкции преподавателя по работе с проектом.