|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/data-analyzing-and-machine-learning-hands-on-with-knime/
课程评论：没有评论
课程名称：使用KNIME进行数据分析和机器学习实践 概述：本课程旨在教授如何使用开源的Knime Analytics Platform进行数据分析和机器学习预测模型的应用，基于真实数据集。课程主要分为两个部分： 1. **数据预处理：数据框的转换与可视化** 在这一部分中，我们将学习如何建模、转换和准备数据框，并进行可视化，主要内容包括： - 表格变换（合并数据、表格信息、转置、分组、透视等） - 行操作（如过滤） - 列操作（过滤、分割、添加、日期信息、缺失值处理、添加分箱、更改数据类型、基本数学运算等） - 数据可视化（柱状图、折线图、饼图、散点图、箱线图） 2. **机器学习 - 回归与分类** 我们将以标准的机器学习流程创建机器学习模型，具体步骤包括： - 使用KNIME软件中的读取节点进行数据收集（课程提供可下载的数据框） - 预处理与转换数据，以获得良好的预测数据框 - 利用KNIME可视化节点对数据进行可视化（创建基本图表以清晰了解数据） - 理解机器学习的概念及其重要性 - 创建机器学习预测模型并进行评估： - 简单和多重线性回归 - 多项式回归 - 决策树分类 - 决策树回归 - 随机森林回归 - 随机森林分类 - 朴素贝叶斯 - 支持向量机（SVM） - 梯度提升 此外，我还将介绍KNIME Analytics Platform的环境，指导您进行安装，并展示获取帮助和提示的方法。课程中有一节专门讲解元节点和组件的使用。 通过本课程，您将掌握数据分析与机器学习的基本技巧，能够运用KNIME进行实际操作和应用分析。
The goal of this course is to gain knowledge how to use open source Knime Analytics Platform for data analysis and machine learning predictive models on real data sets.The course has two main sections:1. PRE-PROCESSING DATA: TRANSOFRMING AND VISUALIZING DATA FRAMES In this part we will cover the operations how to model, transform and prepare data frames and visualize them, mainly:table transformation (merging data, table information, transpose, group by, pivoting etc.)row operations (eg. filter)column operations (filtering, spiting, adding, date information, missing values, adding binners, change data types, do basic math operations etc.)data visualization (column chart, line plot, pie chart, scatter plot, box plot)2. MACHINE LEARNING - REGRESSION AND CLASSIFICATION: We will create machine learning models in standard machine learning process way, which consists in:data collection with reading nodes into the KNIME software (the data frames are available in this course for download)pre-processing and transforming data to get well prepared data frame for the predictionvisualizing data with KNIME visual nodes (we will create basic plots and charts to have clear picture about our data)understanding what machine learning is and why it is importantcreating machine learning predictive models and evaluating them:Simple and Multiple linear RegressionPolynomial Regression Decision Tree ClassificationDecision Tree RegressionRandom Forest RegressionRandom Forest ClassificationNaive BayesSVMGradient boosterI will also explain the Knime Analytics Platform environment, guide you through the installation , and show you where to find help and hints. One lecture is focused on working with Metanodes and Components.
