Logistic Regression with NumPy and Python

4.5
звезд
Оценки: 380
от партнера
Coursera Project Network
11 475 уже зарегистрированы
В этом Проект с консультациями вы:

Implement the gradient descent algorithm from scratch

Perform logistic regression with NumPy and Python

Create data visualizations with Matplotlib and Seaborn

Clock1.5 hours
BeginnerНачинающий
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsАнглийский
LaptopТолько для ПК

Welcome to this project-based course on Logistic with NumPy and Python. In this project, you will do all the machine learning without using any of the popular machine learning libraries such as scikit-learn and statsmodels. The aim of this project and is to implement all the machinery, including gradient descent, cost function, and logistic regression, of the various learning algorithms yourself, so you have a deeper understanding of the fundamentals. By the time you complete this project, you will be able to build a logistic regression model using Python and NumPy, conduct basic exploratory data analysis, and implement gradient descent from scratch. The prerequisites for this project are prior programming experience in Python and a basic understanding of machine learning theory. This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with Python, Jupyter, NumPy, and Seaborn pre-installed.

Навыки, которые вы получите

  • Data Science
  • Machine Learning
  • Python Programming
  • classification
  • Numpy

Будете учиться пошагово

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

  1. Introduction and Project Overview

  2. Load the Data and Import Libraries

  3. Visualize the Data

  4. Define the Logistic Sigmoid Function 𝜎(𝑧)

  5. Compute the Cost Function 𝐽(𝜃) and Gradient

  6. Cost and Gradient at Initialization

  7. Implement Gradient Descent

  8. Plotting the Convergence of 𝐽(𝜃)

  9. Plotting the Decision Boundary

  10. Predictions Using the Optimized 𝜃 Values

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

Преподаватели

Рецензии

Лучшие отзывы о курсе LOGISTIC REGRESSION WITH NUMPY AND PYTHON

Посмотреть все отзывы

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.