|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-top-5-models-implementation-a-z/
课程评论：没有评论
课程名称：机器学习前五大模型实现“从零到一” 课程概述：本课程通过一个案例研究，涵盖从数据预处理到实现的五个机器学习模型，使用Python编程，并提供了一些无需编码的实例。课程内容包括以下几个部分： 1. **问题陈述与数据准备** - 理解数据集的变化和数据统计 - 数据预处理，包括缺失值处理、相关矩阵分析和异常值检测。 2. **数据预处理** - 缺失值处理：用适当方法替换缺失值。 - 异常值检测技术：包括基于百分位的检测、平均绝对偏差、标准差和多数投票方法。 - 可视化异常值，并处理异常值。 3. **特征工程与模型选择** - 选择的模型包括：K-邻近（KNN）、逻辑回归、AdaBoost、梯度提升（Gradient Boosting）、随机森林（Random Forest）。 - 执行基线训练，理解测试矩阵，评估训练模型的平均准确率和ROC-AUC分数。 4. **优化技术** - 理解优化流程中的关键概念：交叉验证（CV）及其应用。 - 超参数调整：网格搜索和随机搜索方法的实施。 5. **修订方案的实现** - 实施交叉验证和超参数调优，测试修订后的方法，理解其潜在问题。 - 实施最佳方案及特征的对数变换。 6. **投票集成模型** - 在真实测试数据上运行机器学习模型，总结最佳方案。 此外，课程还包括无代码示例和完整代码下载，帮助学习者更好地理解和应用课程内容。 本课程将为希望深入理解机器学习模型实现的学生提供全面的实践经验与理论基础。
One case study, five models from data preprocessing to implementation with Python, with some examples where no coding is required.We will cover the following topics in this case studyProblem Statement Data Data Preprocessing 1Understanding DatasetData change and Data StatisticsData Preprocessing 2Missing valuesReplacing missing valuesCorrelation MatrixData Preprocessing 3OutliersOutliers Detection TechniquesPercentile-based outlier detectionMean Absolute Deviation (MAD)-based outlier detectionStandard Deviation (STD)-based outlier detectionMajority-vote based outlier detectionVisualizing outlierData Preprocessing 4Handling outliersFeature Engineering Models Selected·K-Nearest Neighbor (KNN) ·Logistic regression ·AdaBoost ·GradientBoosting ·RandomForest ·Performing the Baseline TrainingUnderstanding the testing matrix ·The Mean accuracy of the trained models ·The ROC-AUC score ROC AUC Performing the Baseline TestingProblems with this ApproachOptimization Techniques·Understanding key concepts to optimize the approach Cross-validation The approach of using CVHyperparameter tuningGrid search parameter tuningRandom search parameter tuningOptimized Parameters Implementation·Implementing a cross-validation based approach ·Implementing hyperparameter tuning ·Implementing and testing the revised approach ·Understanding problems with the revised approach Implementation of the revised approach·Implementing the best approachLog transformation of features Voting-based ensemble ML model ·Running ML models on real test data Best approach & SummaryExamples with No CodeDownloads - Full Code
