Interpretable Machine Learning Applications: Part 1
How to select and compare different prediction models (classification regressors) for a real world dataset (FIFA 2018 Soccer World Cup Statistics).
How to extract the most important features, which impact the classifiers, in a model-agnostic approach, together with caveats.
How to get an insight into the way values of the most important features impact the predictions made by the classifiers.
In this 1-hour long project-based course, you will learn how to create interpretable machine learning applications on the example of two classification regression models, decision tree and random forestc classifiers. You will also learn how to explain such prediction models by extracting the most important features and their values, which mostly impact these prediction models. In this sense, the project will boost your career as Machine Learning (ML) developer and modeler in that you will be able to get a deeper insight into the behaviour of your ML model. The project will also benefit your career as a decision maker in an executive position, or consultant, interested in deploying trusted and accountable ML applications. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.
Les compétences que vous développerez
- Python basic knowledge
- Features engineering
- Machine learning classification (regression) models
Apprendrez étape par étape
Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :
Setting the stage (Python Jupyter Lab web-based Server environment, importing the dataset and file to train and test the designated classification regressors as prediction models).
Train, test and estimate the accuracy (confusion matrix) of a Decision Tree classifier.
Train, test and estimate the accuracy (confusion matrix) of a Random Tree classifier as an alternative to the previous one.
Extract a ranking list of the features, which are most important for each one of our prediction models.
Extract and plot the impact of the values of selected important features on predictions being made by each one of our prediction models.
Comment fonctionnent les Projets Guidés
Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.
Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé
Foire Aux Questions
Foire Aux Questions
Que vais-je obtenir si j'achète un Projet Guidé ?
Les Projets Guidés sont-ils disponible sur ordinateur et sur mobile ?
Qui sont les enseignants pour les Projets Guidés ?
Puis-je télécharger le travail depuis mon Projet Guidé une fois que je l'ai terminé ?
Quelle est la politique de remboursement ?
Une aide financière est-elle disponible ?
Puis-je assister au Projet Guidé en tant qu'auditeur libre et regarder une partie de la vidéo gratuitement ?
De quelle expérience ai-je besoin pour réaliser ce Projet Guidé ?
Puis-je terminer ce Projet Guidé directement avec mon navigateur web, au lieu d'installer un logiciel spécial ?
Comment se présente l'expérience d'apprentissage pour les Projets Guidés ?
D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.
Coursera Footer
