Введение в алгоритмы машинного обучения в Python с scikit-learn

Этот курс даёт практическое и доступное введение в ключевые алгоритмы машинного обучения в Python с использованием библиотеки scikit-learn. Вы узнаете, как применять модели на реальных данных, понимать их поведение и правильно оценивать качество работы.

Что вы узнаете в этом курсе

Материал курса сфокусирован на практическом применении классических алгоритмов машинного обучения — без сложной математики и без необходимости строить нейронные сети.

• Основные алгоритмы классификации и регрессии
• Как обучать модели в scikit-learn
• Как выбирать алгоритм под задачу
• Как оценивать качество моделей
• Использование встроенных датасетов scikit-learn

Алгоритмы, которые вы освоите

Модели регрессии

• Линейная регрессия
• Метрики: среднеквадратичная ошибка и коэффициент детерминации

Модели классификации

• Логистическая регрессия
• k-ближайших соседей
• Деревья решений и другие алгоритмы
• Метрики: точность, логарифмические потери, матрица ошибок, отчёт классификации

Практическая работа в Python

Вы примените алгоритмы на практике, используя Python 2.7 или Python 3. Код курса совместим с обеими версиями языка, за исключением небольших отличий в API для вывода отчёта.

Вы будете работать со следующими инструментами:

• scikit-learn — обучение и оценка моделей
• Встроенные датасеты — для упражнений и примеров
• Python — реализация, итерации, эксперименты

Дополнительные материалы

Для установки окружения, терминологии и распространённых ошибок ознакомьтесь с README в репозитории проекта.

Исходный код и материалы на GitHub