ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Linear Classifiers in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 10/2566

In this course you will learn the details of linear classifiers like logistic regression and SVM.

เริ่มเรียนคอร์สฟรี

PythonMachine Learning

4 ชม.

13 videos

44 Exercises

3,200 เอ็กซ์พี

66,166

ใบรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทนับพันแห่ง

ฝึกอบรมทีมอยู่หรือ?

ลองใช้สำหรับธุรกิจ

คำอธิบายหลักสูตร

In this course you'll learn all about using linear classifiers, specifically logistic regression and support vector machines, with scikit-learn. Once you've learned how to apply these methods, you'll dive into the ideas behind them and find out what really makes them tick. At the end of this course you'll know how to train, test, and tune these linear classifiers in Python. You'll also have a conceptual foundation for understanding many other machine learning algorithms.

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn

1

Applying logistic regression and SVM

In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the scikit-learn library to fit classification models to real data.

scikit-learn refresher

50 เอ็กซ์พี

KNN classification

100 เอ็กซ์พี

Comparing models

50 เอ็กซ์พี

Overfitting

50 เอ็กซ์พี

Applying logistic regression and SVM

50 เอ็กซ์พี

Running LogisticRegression and SVC

100 เอ็กซ์พี

Sentiment analysis for movie reviews

100 เอ็กซ์พี

Linear classifiers

50 เอ็กซ์พี

Which decision boundary is linear?

50 เอ็กซ์พี

Visualizing decision boundaries

100 เอ็กซ์พี

เริ่มบทเรียน

2

Loss functions

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Linear classifiers: the coefficients

50 เอ็กซ์พี

How models make predictions

50 เอ็กซ์พี

Changing the model coefficients

100 เอ็กซ์พี

What is a loss function?

50 เอ็กซ์พี

The 0-1 loss

50 เอ็กซ์พี

Minimizing a loss function

100 เอ็กซ์พี

Loss function diagrams

50 เอ็กซ์พี

Classification loss functions

50 เอ็กซ์พี

Comparing the logistic and hinge losses

100 เอ็กซ์พี

Implementing logistic regression

100 เอ็กซ์พี

เริ่มบทเรียน

3

Logistic regression

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistic regression and regularization

50 เอ็กซ์พี

Regularized logistic regression

100 เอ็กซ์พี

Logistic regression and feature selection

100 เอ็กซ์พี

Identifying the most positive and negative words

100 เอ็กซ์พี

Logistic regression and probabilities

50 เอ็กซ์พี

Getting class probabilities

50 เอ็กซ์พี

Regularization and probabilities

100 เอ็กซ์พี

Visualizing easy and difficult examples

100 เอ็กซ์พี

Multi-class logistic regression

50 เอ็กซ์พี

Counting the coefficients

50 เอ็กซ์พี

Fitting multi-class logistic regression

100 เอ็กซ์พี

Visualizing multi-class logistic regression

100 เอ็กซ์พี

One-vs-rest SVM

100 เอ็กซ์พี

เริ่มบทเรียน

4

Support Vector Machines

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

50 เอ็กซ์พี

Support vector definition

50 เอ็กซ์พี

Effect of removing examples

100 เอ็กซ์พี

Kernel SVMs

50 เอ็กซ์พี

GridSearchCV warm-up

100 เอ็กซ์พี

Jointly tuning gamma and C with GridSearchCV

100 เอ็กซ์พี

Comparing logistic regression and SVM (and beyond)

50 เอ็กซ์พี

An advantage of SVMs

50 เอ็กซ์พี

An advantage of logistic regression

50 เอ็กซ์พี

Using SGDClassifier

100 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบทเรียน

Linear Classifiers in Python

เรียนจบคอร์สแล้ว

รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, เรซูเม่ หรือ CV ของคุณ
แชร์บนโซเชียลมีเดียและในการประเมินผลงานของคุณสมัครเลย

สำหรับธุรกิจ

ฝึกอบรม 2 คนขึ้นไป?

รับสิทธิ์การเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบสำหรับทีมของคุณ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

นักวิทยาศาสตร์การเรียนรู้ของเครื่อง ใน Python

การเรียนรู้ของเครื่องแบบมีผู้สอน ใน Python

instructors

Mike Gelbart

Mike Gelbart

Instructor, the University of British Columbia

collaborators

เข้าร่วมกับผู้เรียนกว่า 19 ล้านคน และเริ่มLinear Classifiers in Pythonวันนี้!

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา