مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.

این دوره به شما مقدمه ای جامع برای تئوری و عمل یادگیری ماشین می دهد. شما یاد خواهید گرفت که از پایتون در کنار کتابخانه ها و ابزارهای استاندارد صنعتی، از جمله Pandas، Scikit-learn و Tensorflow برای جذب، کاوش، و آماده سازی داده ها برای مدل سازی و سپس آموزش و ارزیابی مدل ها با استفاده از طیف گسترده ای از تکنیک ها استفاده کنید. این تکنیک ها شامل رگرسیون خطی با حداقل مربعات معمولی، رگرسیون لجستیک، ماشین های بردار پشتیبان، درختان تصمیم گیری و مجموعه ها، خوشه بندی، تحلیل مولفه های اصلی، مدل های مارکوف پنهان و یادگیری عمیق است. یکی از ویژگی‌های کلیدی این دوره این است که شما نه تنها یاد می‌گیرید که چگونه این تکنیک‌ها را به کار ببرید، بلکه پایه‌های مفهومی زیربنای آنها را نیز یاد می‌گیرید تا درک کنید که چگونه کار می‌کنند، چرا کاری را انجام می‌دهید، و نتایج شما به چه معناست. این دوره همچنین دارای مجموعه داده های دنیای واقعی است که عمدتاً از قلمرو سیاست عمومی استخراج شده است. این بر اساس یک دوره مقدماتی یادگیری ماشین ارائه شده به دانشجویان فارغ التحصیل در دانشگاه شیکاگو است و به عنوان پایه ای قوی برای مطالعه عمیق تر و تخصصی تر عمل می کند.