Get Familiar with ML basics in a Kaggle Competition

4.4
étoiles
14 évaluations
Offert par
Coursera Project Network
Dans ce Projet Guidé, vous :

How to get familiar with Machine Learning basics and how to start a model prediction using basic supervised Machine Learning models.

Build, train, test and evaluate the performance of some models.

Submit your first solution on the Kaggle platform.

Clock2 hours
BeginnerDébutant
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsAnglais
LaptopOrdinateur de bureau uniquement

In this 1-hour long project, you will be able to understand how to predict which passengers survived the Titanic shipwreck and make your first submission in an Machine Learning competition inside the Kaggle platform. Also, you as a beginner in Machine Learning applications, will get familiar and get a deep understanding of how to start a model prediction using basic supervised Machine Learning models. We will choose classifiers to learn, predict, and make an Exploratory Data Analysis (also called EDA). At the end, you will know how to measure a model performance, and submit your model to the competition and get a score from Kaggle. This guided project is for beginners in Data Science who want to do a practical application using Machine Learning. You will get familiar with the methods used in machine learning applications and data analysis. In order to be successful in this project, you should have an account on the Kaggle platform (no cost is necessary). Be familiar with some basic Python programming, we will use numpy and pandas libraries. Some background in Statistics is appreciated, like as knowledge in probability, but it’s not a requirement.

Les compétences que vous développerez

  • Python Programming
  • Machine Learning (ML) Algorithms
  • Predictive Modelling
  • Kaggle

Apprendrez étape par étape

Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :

  1. Getting Started with Kaggle

  2. Exploratory Data Analysis (EDA)

  3. Preprocessing I - Taking care of Missing Values

  4. Preprocessing II - Taking care of Missing Values

  5. Preprocessing III - Encoding Categorical Data

  6. Split the Train & Test datasets

  7. Building our Machine Learning Models

  8. Submit your project on Kaggle

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

Avis

Meilleurs avis pour GET FAMILIAR WITH ML BASICS IN A KAGGLE COMPETITION

Voir tous les avis

Foire Aux Questions

Foire Aux Questions

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