Класификация
Логистична регресия, softmax, метрики при много класове, ROC AUC, праг по цена, k-NN, наивен Бейс, SVM и калибриране.
16 урока · около 370 минНОИИIOAIНужно: Анализ и оптимизация, Вероятности и статистика, Визуализация на данни, scikit-learn, Регресия
Първо завърши: Експонента, логаритъм и сигмоида, Вероятност
- 1
Логистична регресия и метрики за класификация
Вероятности със сигмоида, загуба cross-entropy, precision, recall и F1
35 мин Заключен
- 2
Логистична регресия отблизо
Шансове, логаритъм от шансовете и обучение с градиентно спускане в NumPy
20 мин Заключен
- 3
Cross-entropy отблизо
Защо не MSE и как log loss наказва увереността
20 мин Заключен
- 4
Много класове: softmax и one-vs-rest
Как двоичен класификатор става многокласов
20 мин Заключен
- 5
Матрица на грешките при много класове
Кои класове моделът бърка и защо
20 мин Заключен
- 6
Macro, micro и weighted метрики
Как се осредняват precision, recall и F1 при много класове
20 мин Заключен
- 7
ROC AUC при сравняване на модели
AUC като подреждане, многокласов AUC и капаните
20 мин Заключен
- 8
Праг и цена на грешките
Как да избереш праг, когато различните грешки струват различно
20 мин Заключен
- 9
k най-близки съседи (k-NN)
Класификация по прилика, избор на k и защо мащабирането е важно
25 мин Заключен
- 10
Наивен Бейсов класификатор
Формулата на Бейс като модел за класификация на текст и числа
25 мин Заключен
- 11
Метод на опорните вектори (SVM)
Най-широк марж, параметърът C и ядра за нелинейни граници
30 мин Заключен
- 12
Ядра в SVM
RBF ядро, параметрите C и gamma и как да ги настроиш
20 мин Заключен
- 13
Повторно вземане на примери
Oversampling, undersampling и идеята на SMOTE
20 мин Заключен
- 14
Калибриране на вероятности
Когато моделът казва 80%, вярно ли е в 80% от случаите?
20 мин Заключен
- 15
Много етикети наведнъж
Когато един пример може да е от няколко класа
20 мин Заключен
- 16
Проект: спам филтър
Текст, TF-IDF, няколко модела, праг и анализ на грешките
35 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.