A kurzus áttekintése
Ennek az átfogó kurzusnak az a célja, hogy részletesen megismertesse a gépi tanulás alapjait, főként a felügyelt gépi tanulásra összpontosítva. A kurzus először a regresszióelemzés és a bináris logisztikus regresszió alapvető fogalmait tárgyalja, beleértve a modellek kiértékelését és az eredmények értelmezését. Ezután kitér a bináris és multinomiális klasszifikáció fa alapú modelljeire is.
A kurzus a gépi tanulás bevezetésével kezdődik, ahol a hallgatók megértik, hogy mi az a gépi tanulás, melyek a gépi tanulás különböző típusai, valamint, hogy mi a különbség a felügyelt és a felügyelet nélküli gépi tanulás között. Ezt követi a felügyelt tanulás alapjainak áttekintése, beleértve a betanítás módját, a regresszió különböző típusait, valamint azokat a feltételeket, amelyeknek teljesülniük kell ahhoz, hogy a regressziós modelleket a gépi tanulásban is lehessen használni.
A kurzus ezután részletesen elmélyül a regresszióelemzésben, kitérve a regressziós modellek különböző típusaira, és arra, hogy hogyan használjuk a Minitabot ezek kiértékelésére. Ez magában foglalja a statisztikailag szignifikáns prediktorok, a multikollinearitás és a kategorikus prediktorokat tartalmazó regressziós modellek kezelésének alapos magyarázatát, beleértve az additív és interakciós hatásokat is. A hallgatók azt is megtanulják, hogyan készítsenek előrejelzéseket új megfigyelésekre a konfidenciaintervallumok és előrejelzési intervallumok segítségével.
Ezután a kurzus áttér a modellépítésre, ahol a hallgatók megtanulják, hogyan kezeljék a "rossz" prediktorokat tartalmazó regressziós egyenleteket, és hogyan használják a lépésenkénti regressziót az optimális modellek megtalálására. Ez magában foglalja a modellek értékelésének és az eredmények értelmezésének áttekintését is.
A kurzus ezután áttér a bináris logisztikus regresszióra, amelyet, nevével ellentétben, nem regresszióra, hanem bináris osztályozásra használnak. A hallgatók megtanulják, hogyan értékeljék a bináris osztályozási modelleket, beleértve a jó illeszkedés mérőszámait, például a ROC-görbét alatti terület nagyságát, az AUC-t.
A kurzus ezután az osztályozási fákkal foglalkozik, beleértve a csomópontok felosztási módszereinek áttekintését, mint például a téves osztályozási arány, a Gini Impurity és az entrópia szerinti felosztást. A hallgatók megtanulják, hogyan lehet megjósolni egy csomópont előrejelzett osztályát, és hogyan lehet értékelni a modell jóságát a félreklasszifikálás költségei, a ROC-görbe, a Gain chart és az Lift chart segítségével bináris és multinomiális osztályozás esetén egyaránt.
Végül a kurzus kitér az előre megadott sokasági valószínűségek és a bemeneti félreklasszifikálási költségek fogalmára és használatára, valamint arra, hogyan lehet fát építeni a Minitab segítségével. A kurzus során a hallgatók gyakorlati tapasztalatot szereznek a tanult fogalmak valós forgatókönyvekben történő alkalmazásáról.
Összességében ez a kurzus alapos ismereteket nyújt a gépi tanulás alapjairól, a felügyelt tanulásra, a regresszióelemzésre és a klasszifikációs módszerekre összpontosítva. A kurzus elvégzése után a hallgatók rendelkeznek majd azokkal az ismeretekkel és készségekkel, amelyekkel a felügyelt gépi tanulási technikákat valós adatproblémákra alkalmazhatják.