Simple Nearest Neighbors Regression and Classification

Formulate small examples of KNN classification by hand
Implement a KNN Classification algorithm in Python
Implement a KNN Regression algorithm in Python
Formulate small examples of KNN classification by hand
Implement a KNN Classification algorithm in Python
Implement a KNN Regression algorithm in Python
In this 2-hour long project-based course, we will explore the basic principles behind the K-Nearest Neighbors algorithm, as well as learn how to implement KNN for decision making in Python. A simple, easy-to-implement supervised machine learning algorithm that can be used to solve both classification and regression problems is the k-nearest neighbors (KNN) algorithm. The fundamental principle is that you enter a known data set, add an unknown data point, and the algorithm will tell you which class corresponds to that unknown data point. The unknown is characterized by a straightforward neighborly vote, where the "winner" class is the class of near neighbors. It is most commonly used for predictive decision-making. For instance,: Is a consumer going to default on a loan or not? Will the company make a profit? Should we extend into a certain sector of the market? 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.
Statistical Analysis
Machine Learning
Python Programming
K-Nearest Neighbors Algorithm (K-NN)
Classification Algorithms
На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:
Understanding the Basic Structure of a KNN model
Computing a simple KNN by hand
Looking at an example of a KNN in action in Python
Implementing an example KNN Regression in Python
Implementing an example KNN Classification in Python
Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.
На разделенном экране видео преподаватель предоставляет пошаговые
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.