scikit-learn
Разделяне, метрики, предобработка, pipeline, кръстосана валидация, търсене на параметри и анализ на грешките.
15 урока · около 340 минНОИИIOAIНужно: Визуализация на данни, pandas и анализ на данни
Първо завърши: pandas: почистване на данни, matplotlib: графики
- 1
scikit-learn: първи модел
fit и predict, разделяне на данните и оценка
30 мин Заключен
- 2
Разделяне на данните правилно
Обучение, валидация и тест, стратифициране и изтичане на информация
20 мин Заключен
- 3
Метрики в scikit-learn
Коя метрика за каква задача и как се смята
20 мин Заключен
- 4
Мащабиране на признаците
StandardScaler, MinMaxScaler, RobustScaler и кога изобщо трябва
20 мин Заключен
- 5
Кодиране на категории
OneHotEncoder, OrdinalEncoder и кодиране чрез целта
20 мин Заключен
- 6
Липсващи стойности в модела
SimpleImputer, KNNImputer и индикатор за липса
20 мин Заключен
- 7
scikit-learn: предобработка и pipeline
StandardScaler, OneHotEncoder, ColumnTransformer, Pipeline и GridSearchCV
35 мин Заключен
- 8
Собствени трансформатори
FunctionTransformer и клас с fit и transform
20 мин Заключен
- 9
Кръстосана валидация
KFold, StratifiedKFold, cross_validate и защо една оценка не стига
20 мин Заключен
- 10
Търсене на хиперпараметри
RandomizedSearchCV, валидационна крива и разумни граници
20 мин Заключен
- 11
Небалансирани класове
class_weight, избор на праг и правилна метрика
20 мин Заключен
- 12
Избор и важност на признаците
SelectKBest, permutation importance и признаци, които вредят
20 мин Заключен
- 13
Анализ на грешките
classification_report, крива на обучение и разглеждане на сгрешените примери
20 мин Заключен
- 14
Запазване и предсказване
joblib, повторимост и файл за предаване
20 мин Заключен
- 15
Проект: пълен pipeline
От CSV до файл за предаване с всичко научено
35 мин Заключен
Изпит на курса
Отключва се, когато завършиш всички уроци.