Оценки: 386
11 696 уже зарегистрированы
Implement the gradient descent algorithm from scratch
Perform logistic regression with NumPy and Python
Create data visualizations with Matplotlib and Seaborn
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.
Data Science
Machine Learning
Python Programming
classification
Numpy
На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:
Introduction and Project Overview
Load the Data and Import Libraries
Visualize the Data
Define the Logistic Sigmoid Function 𝜎(𝑧)
Compute the Cost Function 𝐽(𝜃) and Gradient
Cost and Gradient at Initialization
Implement Gradient Descent
Plotting the Convergence of 𝐽(𝜃)
Plotting the Decision Boundary
Predictions Using the Optimized 𝜃 Values
Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.
На разделенном экране видео преподаватель предоставляет пошаговые
от партнера MV
7 нояб. 2021 г.Well explained all the basic components of gradient descent. Exactly as advertised.
от партнера AS
29 авг. 2020 г.Very helpful for learning logistic regression without using any libraries. Before taking this project one should have a clear understanding of Logistic Regression, then it will be very helpful
от партнера PP
3 апр. 2020 г.Thank You... Very nice and valuable knowledge provided.
от партнера RR
8 июня 2020 г.I really enjoyed this course. Thank you for your valuable teaching.
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.
Остались вопросы? Посетите Центр поддержки учащихся.
