À propos de ce cours

43,645 consultations récentes
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 11 heures pour terminer
Anglais

Compétences que vous acquerrez

Decision TreeEnsemble LearningClassification AlgorithmsSupervised LearningMachine Learning (ML) Algorithms
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 11 heures pour terminer
Anglais

Offert par

Placeholder

IBM

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1

Semaine 1

2 heures pour terminer

Logistic Regression

2 heures pour terminer
10 vidéos (Total 91 min), 6 lectures, 3 quiz
10 vidéos
Welcome1 min
Optional: How to create a project in IBM Watson Studio5 min
Introduction: What is Classification?6 min
Introduction to Logistic Regression2 min
Classification with Logistic Regression12 min
Confusion Matrix, Accuracy, Specificity, Precision, and Recall7 min
Classification Error Metrics: ROC and Precision-Recall Curves10 min
Logistic Regression Lab - Part 113 min
Logistic Regression Lab - Part 216 min
Logistic Regression Lab - Part 313 min
6 lectures
About this course3 min
Optional: Introduction to IBM Watson Studio4 min
Optional: Overview of IBM Watson Studio3 min
Optional: Download data assets3 min
Logistic Regression Demo (Activity)10 min
Summary/Review4 min
3 exercices pour s'entraîner
Logistic Regression4 min
Logistic Regression Demo2 min
End of Module10 min
Semaine
2

Semaine 2

1 heure pour terminer

K Nearest Neighbors

1 heure pour terminer
7 vidéos (Total 50 min), 2 lectures, 3 quiz
7 vidéos
K Nearest Neighbors Decision Boundary3 min
K Nearest Neighbors Distance Measurement8 min
K Nearest Neighbors with Feature Scaling5 min
K Nearest Neighbors Notebook - Part 19 min
K Nearest Neighbors Notebook - Part 26 min
K Nearest Neighbors Notebook - Part 311 min
2 lectures
K Nearest Neighbors Demo (Activity)3 min
Summary/Review1 min
3 exercices pour s'entraîner
K Nearest Neighbors3 min
N Nearest Neighbors Demo5 min
End of Module15 min
2 heures pour terminer

Support Vector Machines

2 heures pour terminer
11 vidéos (Total 67 min), 2 lectures, 4 quiz
11 vidéos
Classification with Support Vector Machines2 min
The Support Vector Machines Cost Function5 min
Regularization in Support Vector Machines6 min
Introduction to Support Vector Machines Gaussian Kernels2 min
Support Vector Machines Gaussian Kernels - Part 14 min
Support Vector Machines Gaussian Kernels - Part 24 min
Implementing Support Vector Machines Kernel Models8 min
Support Vector Machines Notebook - Part 18 min
Support Vector Machines Notebook - Part 28 min
Support Vector Machines Notebook - Part 310 min
2 lectures
Support Vector Machines Demo (Activity)3 min
Summary/Review2 min
4 exercices pour s'entraîner
Support Vector Machines5 min
Support Vector Machines Kernels3 min
Support Vector Machines Demo3 min
End of Module10 min
Semaine
3

Semaine 3

2 heures pour terminer

Decision Trees

2 heures pour terminer
8 vidéos (Total 60 min), 2 lectures, 3 quiz
8 vidéos
Building a Decision Tree6 min
Entropy-based Splitting2 min
Other Decision Tree Splitting Criteria4 min
Pros and Cons of Decision Trees5 min
Decision Trees Notebook - Part 16 min
Decision Trees Notebook - Part 28 min
Decision Trees Notebook - Part 315 min
2 lectures
Decision Trees Demo (Activity)10 min
Summary/Review3 min
3 exercices pour s'entraîner
Decision Trees4 min
Decision Trees Demo3 min
End of Module10 min
2 heures pour terminer

Ensemble Models

2 heures pour terminer
15 vidéos (Total 93 min), 3 lectures, 6 quiz
15 vidéos
Ensemble Based Methods and Bagging - Part 21 min
Ensemble Based Methods and Bagging - Part 33 min
Random Forest7 min
Bagging Notebook - Part 16 min
Bagging Notebook - Part 26 min
Bagging Notebook - Part 39 min
Review of Bagging4 min
Overview of Boosting3 min
Adaboost and Gradient Boosting Overview7 min
Adaboost and Gradient Boosting Syntax4 min
Stacking7 min
Boosting Notebook - Part 17 min
Boosting Notebook - Part 215 min
Boosting Notebook - Part 35 min
3 lectures
Bagging Demo (Activity)3 min
Boosting and Stacking Demo (Activity)3 min
Summary/Review10 min
6 exercices pour s'entraîner
Bagging5 min
Random Forest3 min
Bagging Demo3 min
Boosting and Stacking5 min
Boosting and Stacking Demo5 min
End of Module10 min
Semaine
4

Semaine 4

2 heures pour terminer

Modeling Unbalanced Classes

2 heures pour terminer
6 vidéos (Total 30 min), 1 lecture, 3 quiz
6 vidéos
Upsampling and Downsampling6 min
Modeling Approaches: Weighting and Stratified Sampling3 min
Modeling Approaches: Random and Synthetic Oversampling5 min
Modeling Approaches: Nearing Neighbor Methods4 min
Modeling Approaches: Blagging5 min
1 lecture
Summary/Review10 min
2 exercices pour s'entraîner
Modeling Unbalanced Classes4 min
End of Module10 min

Avis

Meilleurs avis pour SUPERVISED LEARNING: CLASSIFICATION

Voir tous les avis

Foire Aux Questions

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.