Klassisk maskininlärning i praktiken
Logistisk regression, träd, kNN och klustring — med korsvalidering, rätt mått och bias–varians som ram. Ofta bättre än ett neuronnät på tabelldata.
Alla kunskaper som ingår (43) — i beroendeordning
- 1AMönster och kategorier
- 2BData från vardagen
- 3AInstruktioner i rätt ordning
- 4BAlgoritmiskt tänkande
- 5CFunktioner och koordinatsystem
- 6CProgrammeringslogik — variabler, villkor, loopar
- 7CPython — grunderna
- 8CPython — listor, loopar och dictionaries
- 9CPython — strängar och textbehandling
- 10CPython — filer, CSV och JSON
- 11BRegler kontra inlärning
- 12CStatistik — medelvärde, median och spridning
- 13CSannolikhet — grunderna
- 14DBetingad sannolikhet
- 15DBayes sats
- 16ATal och de fyra räknesätten
- 17AJämföra och sortera tal
- 18BKoordinater: hitta på kartan
- 19BVem liknar mest? Närmaste granne
- 20CGruppera utan facit: klustring för hand
- 21DTextförbehandling
- 22DNaive Bayes
- 23ATräna en maskin med exempel
- 24AGissningsmaskinen: rätt och fel
- 25CPlugga in facit — överanpassning
- 26BTräningsdata, features och etiketter
- 27BKlassificering — så sorterar en modell
- 28CDin första prediktiva modell — en rät linje
- 29DVektorer
- 30DKlustring: k-means och hierarkisk
- 31Dk-närmaste grannar (kNN)
- 32DMatriser och matrismultiplikation
- 33DLinjär regression med flera features
- 34DLogistisk regression och beslutsträd
- 35DBeslutsträd
- 36DNumPy — arrayer och vektorisering
- 37DOverfitting och generalisering
- 38EBias–varians-avvägningen
- 39DPandas — tabeller i Python
- 40DRegressionsmått: MAE, RMSE, R²
- 41Dscikit-learn — arbetsflödet
- 42DTräning, validering och test
- 43DKorsvalidering