Visual Machine Learning with Yellowbrick

4.7
звезд
Оценки: 70
от партнера
Coursera Project Network
3 550 уже зарегистрированы
В этом Проект с консультациями вы:

Evaluate the performance of a classifier using visual diagnostic tools from Yellowbrick

Diagnose and handle class imbalance problems

Clock2 hours
IntermediateУчащийся среднего уровня
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsАнглийский
LaptopТолько для ПК

Welcome to this project-based course on Visual Machine Learning with Yellowbrick. In this course, we will explore how to evaluate the performance of a random forest classifier on the Poker Hand data set using visual diagnostic tools from Yellowbrick. With an emphasis on visual steering of our analysis, we will cover the following topics in our machine learning workflow: feature analysis, feature importance, algorithm selection, model evaluation using regression, cross-validation, and hyperparameter tuning. 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, Yellowbrick, and scikit-learn pre-installed. Notes: - You will be able to access the cloud desktop 5 times. However, you will be able to access instructions videos as many times as you want. - 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 Science
  • Machine Learning
  • Python Programming
  • Data Visualization (DataViz)
  • Scikit-Learn

Будете учиться пошагово

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

  1. Introduction to the Project and Dataset

  2. Separate the Data into Features and Targets

  3. Evaluating Class Balance

  4. Up-sampling from Minority Classes

  5. Training a Random Forests Classifier

  6. Classification Accuracy

  7. ROC Curve and AUC

  8. Classification Report Heatmap

  9. Class Prediction Error

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

Рецензии

Лучшие отзывы о курсе VISUAL MACHINE LEARNING WITH YELLOWBRICK

Посмотреть все отзывы

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.