Support Vector Machine Classification in Python

129 évaluations
Offert par
Coursera Project Network
5,453 déjà inscrits
Dans ce projet guidé, vous :

import the dataset and perform training/testing set splits

Apply feature scaling for normalization

Build an SVM classifier and make Predictions

Build a Confusion Matrix and Visualize the results

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

In this 1-hour long guided project-based course, you will learn how to use Python to implement a Support Vector Machine algorithm for classification. This type of algorithm classifies output data and makes predictions. The output of this model is a set of visualized scattered plots separated with a straight line. You will learn the fundamental theory and practical illustrations behind Support Vector Machines and learn to fit, examine, and utilize supervised Classification models using SVM to classify data, using Python. We will walk you step-by-step into Machine Learning supervised problems. With every task in this project, you will expand your knowledge, develop new skills, and broaden your experience in Machine Learning. Particularly, you will build a Support Vector Machine algorithm, and by the end of this project, you will be able to build your own SVM classification model with amazing visualization. In order to be successful in this project, you should just know the basics of Python and classification algorithms.

Les compétences que vous développerez

Machine LearningPython ProgrammingSupport Vector Machine (SVM)classificationSupervised Learning

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. Understand the concept of building a Support Vector Machine classification algorithm with a real-world example

  2. Import and explore the dataset and libraries: numpy, pandas and matplotlib

  3. Split the dataset into training set and testing set

  4. Apply feature scaling to normalize the input features

  5. Fit the SVM classifier to the dataset and making predictions

  6. Visualize training and testing sets results

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



Voir tous les avis

Foire Aux Questions

Foire Aux Questions

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