Machine Learning Lengkap dengan R Studio - ML untuk tahun 2021
Regresi Linear & Logistik, Pohon Keputusan, XGBoost, SVM & model ML lainnya dalam bahasa pemrograman R - R studio
Apa yang akan Anda pelajari
☑ Pelajari cara memecahkan masalah kehidupan nyata menggunakan teknik pembelajaran Mesin
☑ Model Pembelajaran Mesin seperti Regresi Linier, Regresi Logistik, KNN dll.
☑ Model Pembelajaran Mesin Tingkat Lanjut seperti Pohon keputusan, XGBoost, Random Forest, SVM, dll.
☑ Memahami dasar-dasar statistik dan konsep Machine Learning
☑ Cara melakukan operasi statistik dasar dan menjalankan model ML di R
☑ Pengetahuan mendalam tentang pengumpulan data dan preprocessing data untuk masalah Machine Learning
☑ Cara mengubah masalah bisnis menjadi masalah pembelajaran Mesin
Topik
APRENDIZAJE AUTOMÁTICO
ANALISIS REGRESI
R
POHON KEPUTUSAN
Deskripsi
Anda sedang mencari kursus Machine Learning lengkap yang dapat membantu Anda memulai karir yang sukses di bidang Data Science & Machine Learning, bukan?
Anda telah menemukan kursus Machine Learning yang tepat!
Setelah menyelesaikan kursus ini, Anda akan mampu :
· Percaya diri membangun model Machine Learning prediktif untuk memecahkan masalah bisnis dan membuat strategi bisnis
· Menjawab pertanyaan wawancara terkait Machine Learning
· Berpartisipasi dan tampil dalam kompetisi Analisis Data online seperti kompetisi Kaggle
Lihat daftar isi di bawah ini untuk melihat semua model Machine Learning yang akan Anda pelajari.
Bagaimana kursus ini akan membantu Anda?
Sebuah diverifikasi Sertifikat Kelulusan disajikan untuk semua siswa yang melakukan Mesin ini dasar-dasar belajar saja.
Jika Anda seorang manajer bisnis atau eksekutif, atau siswa yang ingin belajar dan menerapkan pembelajaran mesin dalam masalah bisnis dunia nyata, kursus ini akan memberi Anda dasar yang kuat untuk itu dengan mengajari Anda teknik pembelajaran mesin yang paling populer.
Mengapa Anda harus memilih kursus ini?
Kursus ini mencakup semua langkah yang harus diambil seseorang saat memecahkan masalah bisnis melalui regresi linier.
Sebagian besar kursus hanya berfokus pada pengajaran bagaimana menjalankan analisis tetapi kami percaya bahwa apa yang terjadi sebelum dan sesudah menjalankan analisis bahkan lebih penting, yaitu sebelum menjalankan analisis, sangat penting bagi Anda untuk memiliki data yang benar dan melakukan beberapa pemrosesan sebelumnya. Dan setelah menjalankan analisis, Anda harus dapat menilai seberapa bagus model Anda dan menginterpretasikan hasilnya untuk benar-benar dapat membantu bisnis Anda.
Apa yang membuat kami memenuhi syarat untuk mengajari Anda?
Kursus ini diajarkan oleh Abhishek dan Pukhraj. Sebagai manajer di perusahaan Konsultan Analisis Global, kami telah membantu bisnis menyelesaikan masalah bisnis mereka menggunakan teknik pembelajaran mesin dan kami telah menggunakan pengalaman kami untuk memasukkan aspek praktis analisis data dalam kursus ini
Kami juga pembuat beberapa kursus online paling populer - dengan lebih dari 150.000 pendaftaran dan ribuan ulasan bintang 5 seperti ini:
Ini sangat bagus, saya suka fakta bahwa semua penjelasan yang diberikan dapat dipahami oleh orang awam - Joshua
Terima kasih Penulis untuk kursus yang luar biasa ini. Anda adalah yang terbaik dan kursus ini bernilai berapa pun harganya. - Bunga aster
Janji kita
Mengajar siswa kami adalah tugas kami dan kami berkomitmen untuk itu. Jika Anda memiliki pertanyaan tentang konten kursus, lembar latihan, atau apa pun yang terkait dengan topik apa pun, Anda selalu dapat memposting pertanyaan dalam kursus atau mengirim pesan langsung kepada kami.
Unduh file Latihan, ikuti Kuis, dan selesaikan Tugas
Dengan setiap kuliah, ada catatan kelas yang dilampirkan untuk Anda ikuti. Anda juga dapat mengikuti kuis untuk memeriksa pemahaman Anda tentang konsep. Setiap bagian berisi tugas praktik bagi Anda untuk menerapkan pembelajaran Anda secara praktis.
Di bawah ini adalah daftar FAQ populer dari siswa yang ingin memulai perjalanan machine learning mereka-
Apa itu Pembelajaran Mesin? ( Machine Learning)?
Pembelajaran Mesin adalah bidang ilmu komputer yang memberikan komputer kemampuan untuk belajar tanpa diprogram secara eksplisit. Ini adalah cabang kecerdasan buatan yang didasarkan pada gagasan bahwa sistem dapat belajar dari data, mengidentifikasi pola, dan membuat keputusan dengan intervensi manusia yang minimal.
Apa langkah-langkah yang harus saya ikuti untuk dapat membuat model Machine Learning?
Anda dapat membagi proses belajar Anda menjadi 3 bagian:
Statistik dan Probabilitas - Menerapkan teknik pembelajaran Mesin membutuhkan pengetahuan dasar tentang Statistik dan konsep probabilitas. Bagian kedua dari kursus ini mencakup bagian ini.
Memahami Machine learning - Bagian keempat membantu Anda memahami istilah dan konsep yang terkait dengan Machine learning dan memberi Anda langkah-langkah yang harus diikuti untuk membuat model machine learning
Pengalaman Pemrograman - Bagian penting dari pembelajaran mesin adalah pemrograman. Python dan R jelas menonjol untuk menjadi yang terdepan dalam beberapa hari terakhir. Bagian ketiga akan membantu Anda mengatur lingkungan Python dan mengajari Anda beberapa operasi dasar. Di bagian selanjutnya ada video tentang bagaimana menerapkan setiap konsep yang diajarkan dalam kuliah teori dengan Python
Memahami model - Penutup bagian kelima dan keenam Model klasifikasi dan dengan setiap kuliah teori hadir kuliah praktis yang sesuai di mana kami benar-benar menjalankan setiap kueri dengan Anda.
Mengapa menggunakan R untuk Machine Learning?
Memahami R adalah salah satu keterampilan berharga yang dibutuhkan untuk berkarir di Pembelajaran Mesin. Berikut adalah beberapa alasan mengapa Anda harus mempelajari Machine learning di R
1. Ini adalah bahasa populer untuk Machine Learning di perusahaan teknologi ternama. Hampir semuanya mempekerjakan data scientist yang menggunakan R. Facebook, misalnya, menggunakan R untuk melakukan analisis perilaku dengan data kiriman pengguna. Google menggunakan R untuk menilai keefektifan iklan dan membuat perkiraan ekonomi. Dan omong-omong, ini bukan hanya perusahaan teknologi: R digunakan di perusahaan analisis dan konsultasi, bank dan lembaga keuangan lainnya, lembaga akademis dan laboratorium penelitian, dan hampir di semua tempat lain, data perlu dianalisis dan divisualisasikan.
2. Mempelajari dasar-dasar ilmu data bisa dibilang lebih mudah di R. R memiliki keuntungan besar: ia dirancang khusus dengan manipulasi dan analisis data dalam pikiran.
3. Paket luar biasa yang membuat hidup Anda lebih mudah. Karena R dirancang dengan mempertimbangkan analisis statistik, R memiliki ekosistem paket yang fantastis dan sumber daya lain yang bagus untuk ilmu data.
4. Komunitas ilmuwan data dan ahli statistik yang kuat dan berkembang. Saat bidang ilmu data telah meledak, R telah meledak bersamanya, menjadi salah satu bahasa dengan pertumbuhan tercepat di dunia (sebagaimana diukur oleh StackOverflow). Itu berarti mudah untuk menemukan jawaban atas pertanyaan dan panduan komunitas saat Anda mengerjakan proyek di R.
5. Letakkan alat lain di toolkit Anda. Tidak ada satu bahasa pun yang akan menjadi alat yang tepat untuk setiap pekerjaan. Menambahkan R ke repertoar Anda akan membuat beberapa proyek lebih mudah - dan tentu saja, itu juga akan membuat Anda menjadi karyawan yang lebih fleksibel dan dapat dipasarkan saat Anda mencari pekerjaan di bidang ilmu data.
Apa perbedaan antara Data Mining, Machine Learning, dan Deep Learning?
Sederhananya, pembelajaran mesin dan penambangan data menggunakan algoritme dan teknik yang sama dengan penambangan data, kecuali jenis prediksinya bervariasi. Saat data mining menemukan pola dan pengetahuan yang sebelumnya tidak diketahui, pembelajaran mesin mereproduksi pola dan pengetahuan yang diketahui — dan selanjutnya secara otomatis menerapkan informasi tersebut ke data, pengambilan keputusan, dan tindakan.
Pembelajaran mendalam, di sisi lain, menggunakan daya komputasi tingkat lanjut dan jenis jaringan saraf khusus dan menerapkannya pada sejumlah besar data untuk mempelajari, memahami, dan mengidentifikasi pola yang rumit. Terjemahan bahasa otomatis dan diagnosis medis adalah contoh pembelajaran mendalam.
Kandungan
Selamat datang di kursus
pengantar
Sumber daya kursus: Catatan dan Kumpulan Data (Bagian 1)
Menyiapkan R Studio dan kursus kilat R.
Memasang studio R dan R.
Dasar-dasar R dan R studio
Paket di R
Memasukkan data bagian 1: Dataset bawaan dari R
Memasukkan data bagian 2: Entri data manual
Memasukkan data bagian 3: Mengimpor dari CSV atau file Teks
Membuat Barplots di R
Membuat Histogram di R
Dasar-dasar Statistik
Jenis Data
Jenis Statistik
Menjelaskan data secara grafis
Ukuran Pusat
Ukuran Dispersi
Pengenalan ke Machine Learning
Pengantar Pembelajaran Mesin
Membangun Model Machine Learning
Kuis: Pengantar Pembelajaran Mesin
Pengolahan Data Awal untuk Analisis Regresi
Mengumpulkan Pengetahuan Bisnis
Eksplorasi Data
Data dan Kamus Data
Mengimpor dataset ke R
Analisis Univariat dan EDD
EDD di R
Pengobatan Outlier
Perawatan Outlier di R
Imputasi Nilai Hilang
Imputasi Nilai Hilang di R
Musiman dalam Data
Analisis Bi-variate dan Transformasi Variabel
Transformasi variabel di R
Variabel Tidak Dapat Digunakan
Pembuatan variabel tiruan: Menangani data kualitatif
Pembuatan variabel tiruan di R
Matriks Korelasi dan hubungan sebab-akibat
Korelasi Matriks di R
Model Regresi Linier
Pernyataan masalah
Persamaan dasar dan metode OLS (Ordinary Least Squared)
Menilai Akurasi koefisien yang diprediksi
Menilai Akurasi Model - RSE dan R kuadrat
Regresi Linier Sederhana di R
Regresi Linear Berganda
F - statistik
Hasil interpretasi untuk Variabel kategoris
Regresi Linear Berganda di R
Ulangan
Split Test-Train
Pertukaran Bias Varians
Test-Train Split di R
Model regresi selain OLS
Model linier selain OLS
Teknik Pemilihan Subset
Pilihan subset di R
Metode penyusutan - Regresi Ridge dan Lasso
Ridge regresi dan Lasso di R
Model Klasifikasi: Persiapan Data
Data dan Kamus Data
Sumber daya kursus: Catatan dan Kumpulan Data
Mengimpor dataset ke R
EDD di R
Perawatan Outlier di R
Imputasi Nilai Hilang di R
Transformasi variabel di R
Pembuatan variabel tiruan di R
Tiga model klasifikasi
Tiga Pengklasifikasi dan pernyataan masalah
Mengapa kita tidak dapat menggunakan Regresi Linier?
Regresi logistik
Regresi logistik
Pelatihan model Logistik Sederhana di R
Hasil Regresi Logistik Sederhana
Logistik dengan banyak prediktor
Melatih model logistik multi prediktor di R
Confusion Matrix
Mengevaluasi kinerja Model
Memprediksi probabilitas, menetapkan kelas dan membuat Confusion Matrix
Analisis Diskriminan Linier
Analisis Diskriminan Linier
Analisis Diskriminan Linier di R
K-Tetangga Terdekat
Test-Train Split
Test-Train Split di R
Pengklasifikasi K-Nearest Neighbours
K-Tetangga Terdekat di R
Membandingkan hasil dari 3 model
Memahami hasil model klasifikasi
Ringkasan dari ketiga model
Pohon Keputusan Sederhana
Dasar-dasar Pohon Keputusan
Memahami Pohon Regresi
Kriteria penghentian untuk mengendalikan pertumbuhan pohon
Kumpulan Data untuk bagian ini
Sumber daya kursus: Catatan dan Kumpulan Data
Mengimpor kumpulan Data ke R
Membagi Data menjadi Set Tes dan Pelatihan di R
Membangun Pohon Regresi di R
Memangkas pohon
Memangkas Pohon di R
Pohon Klasifikasi Sederhana
Klasifikasi Pohon
Kumpulan Data untuk masalah Klasifikasi
Membangun Pohon klasifikasi di R
Keuntungan dan Kerugian dari Pohon Keputusan
Teknik Ensemble 1 - Bagging
Mengantongi
Mengantongi di R
Teknik Ensemble 2 - Random Forest
Teknik Random Forest
Random Forest di R
Teknik ensemble 3 - GBM, AdaBoost dan XGBoost
Teknik meningkatkan
Peningkatan Gradien di R
AdaBoosting di R
XGBoosting di R
Pengklasifikasi Margin Maksimum
Aliran konten
Konsep Hyperplane
Pengklasifikasi Margin Maksimum
Batasan Pengklasifikasi Margin Maksimum
Mendukung Pengklasifikasi Vektor
Mendukung pengklasifikasi Vektor
Batasan Pengklasifikasi Vektor Dukungan
Mendukung Mesin Vektor
Mesin Vektor Dukungan Berbasis Kernel
Membuat Model Mesin Support Vector di R
Kumpulan Data untuk masalah Klasifikasi
Sumber daya kursus: Catatan dan Kumpulan Data
Mengimpor Data ke R
Test-Train Split
Klasifikasi model SVM menggunakan Linear Kernel
Penyetelan Hyperparameter untuk Linear Kernel
Kernel Polinomial dengan Tuning Hyperparameter
Kernel Radial dengan Tuning Hyperparameter
Kumpulan Data untuk masalah Regresi
Model Regresi berbasis SVM di R
Kesimpulan
Kesimpulan Kursus
Kuliah Bonus