Dans cette leçon, nous allons construire cette Machine à vecteurs de support pour la classification en utilisant scikit-learn et le noyau de la fonction de base radiale (RBF). Notre Ensemble de données d'entraînement contient des données continues et catégoriques provenant du Référentiel d'Apprentissage Automatique de l'UCI pour prédire si un patient est atteint ou non d'une maladie cardiaque. Ce cours se déroule sur la plateforme de projets pratiques de Coursera appelée Ensemble d'entraînement. Sur Rhyme, vous réalisez des projets de manière pratique dans votre navigateur. Vous obtiendrez un accès instantané à des bureaux cloud préconfigurés contenant tous les logiciels et les données dont vous avez besoin pour le projet. Tout est déjà configuré directement dans votre navigateur Internet afin que vous puissiez vous concentrer sur l'apprentissage. Pour ce projet, vous obtiendrez un accès instantané à un bureau cloud avec (par exemple, Python, Jupyter et Tensorflow) préinstallé.Prérequis : Pour réussir ce projet, vous devez être familier avec la programmation en Python et les concepts derrière les machines à vecteurs de support, la fonction de base radiale, la régularisation, la validation croisée et les matrices de confusion.Remarques : - Vous serez en mesure d'accéder au bureau cloud 5 fois. Cependant, vous pourrez accéder aux vidéos d'instructions autant de fois que vous le souhaitez - Ce cours fonctionne mieux pour les apprenants qui sont basés dans la région de l'Amérique du Nord. Nous travaillons actuellement à offrir la même expérience dans d'autres régions.
Machines à vecteurs de support en Python, du début à la fin
Développez vos compétences avec Coursera Plus pour 239 $/an (habituellement 399 $). Économisez maintenant.
Machines à vecteurs de support en Python, du début à la fin
Instructeur : Josh Starmer
6 420 déjà inscrits
Inclus avec
(162 avis)
Expérience recommandée
Ce que vous apprendrez
Import data into, and manipulating a pandas dataframe
Format the data for a support vector machine, including One-Hot Encoding and missing data.
Optimize parameters for the radial basis function and classification
Build, evaluate, draw and interpret a support vector machine
Compétences que vous pratiquerez
- Catégorie : Supervised Learning
- Catégorie : Data Preprocessing
- Catégorie : Data Visualization
- Catégorie : Model Evaluation
- Catégorie : Applied Machine Learning
- Catégorie : Feature Engineering
- Catégorie : Machine Learning
- Catégorie : Data Manipulation
- Catégorie : Data Science
Outils que vous utiliserez
- Catégorie : Tensorflow
- Catégorie : Classification Algorithms
- Catégorie : Python Programming
- Catégorie : Scikit Learn (Machine Learning Library)
Détails à connaître
Ajouter à votre profil LinkedIn
Disponible uniquement sur ordinateur
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Apprendre, pratiquer et appliquer des compétences prêtes à l’emploi en moins de 2 heures
- Bénéficiez d’une formation par des experts du secteur
- Gagnez en expérience pratique en effectuant des tâches professionnelles du monde réel
- Renforcez votre confiance en utilisant les outils et technologies les plus récents
À propos de ce Projet Guidé
Apprendrez étape par étape
Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :
Import the modules that will do all the work (4 min)
Import the data (3 min)
Missing Data Part 1: Identifying Missing Data (4 min)
Missing Data Part 2: Dealing With Missing Data (5 min)
Format Data Part 1: Split the Data into Dependent and Independent Variables (3 min)
Format the Data Part 2: One-Hot Encoding (11 min)
Format the Data Part 3: Centering and Scaling (2 min)
Build A Preliminary Support Vector Machine (2 min)
Optimize SVM with Cross Validation (2 min)
Building, Evaluating, Drawing, and Interpreting the Final Support Vector Machine (10 min)
Expérience recommandée
Some Python and the concepts behind Support Vector Machines, the Radial Basis Function, Regularization, Cross Validation and Confusion Matrices.
10 images de projet
Instructeur
Offert par
Méthode d’apprentissage
Apprentissage pratique basé sur les compétences
Mettez en pratique de nouvelles compétences en effectuant des tâches professionnelles.
Conseils d’experts
Suivez les vidéos pré-enregistrées d’experts à l’aide d’une interface unique, divisée en deux.
Aucun téléchargement ou installation requis(e)
Accédez aux outils et aux ressources dont vous avez besoin dans un espace de travail cloud préconfiguré.
Disponible uniquement sur ordinateur de bureau
Ce Projet Guidé est conçu pour les ordinateurs portables ou de bureau disposant d’une connexion internet fiable, et non pour les appareils mobiles.
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Jennifer J.
Larry W.
Chaitanya A.
Avis des étudiants
- 5 stars
75,30 %
- 4 stars
16,04 %
- 3 stars
7,40 %
- 2 stars
0,61 %
- 1 star
0,61 %
Affichage de 3 sur 162
Révisé le 16 sept. 2020
Short and understandable. Plus, Josh Starmer is a great instructor.
Révisé le 20 juil. 2020
I am a beginner in this area but I learned a lot in this course.
Révisé le 8 juin 2020
This is a very good course to start with SVM.I now know the basic coding for SVM.Thank You sir.
Vous aimerez peut-être aussi
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique