機械学習: 分類 | 大学ネットワーク

説明

ケーススタディ: 感情分析とローンデフォルト予測

センチメント分析のケーススタディでは、入力特徴 (レビューのテキスト、ユーザープロフィール情報など) からクラス (ポジティブ/ネガティブなセンチメント) を予測するモデルを作成します。このコースの XNUMX 番目のケーススタディである融資不履行の予測では、財務データに取り組み、銀行にとって融資が危険になる時期、または安全になる時期を予測します。これらのタスクは、機械学習の最も広く使用されている領域の XNUMX つである分類の一例であり、広告ターゲティング、スパム検出、医療診断、画像分類など、幅広い用途に使用されます。

このコースでは、さまざまなタスクで最先端のパフォーマンスを提供する分類器を作成します。ロジスティック回帰、デシジョンツリー、ブースティングなど、実際に最も広く使用されている最も成功した手法に慣れることができます。さらに、確率的勾配上昇法を使用して、これらのモデルを大規模に学習できる基礎となるアルゴリズムを設計および実装できるようになります。これらの手法を実際の大規模な機械学習タスクに実装します。また、欠損データの処理、分類器を評価するための精度と再現率の測定など、ML の実際のアプリケーションで直面する重要なタスクにも取り組みます。このコースは実践的でアクション満載で、これらのテクニックが実際のデータでどのように動作するかを示す視覚化と図が満載です。すべてのモジュールにはオプションのコンテンツも含まれており、さらに深く知りたい人のために高度なトピックもカバーしています。

学習目標: このコースを終了するまでに、次のことができるようになります。
-分類モデルの入力と出力を説明します。
-バイナリ分類問題とマルチクラス分類問題の両方に取り組みます。
-大規模な分類のためのロジスティック回帰モデルを実装します。
-決定木を使用して非線形モデルを作成します。
-ブーストを使用してあらゆるモデルのパフォーマンスを向上させます。
-確率的勾配上昇を使用してメソッドをスケールします。
- 基礎となる意思決定の境界について説明します。
-製品レビューデータセット内のセンチメントを予測するための分類モデルを構築します。
- 財務データを分析してローン不履行を予測します。
-欠落データを処理するテクニックを使用します。
-適合率と再現率のメトリクスを使用してモデルを評価します。
- これらのテクニックを Python (または選択した言語、ただし Python を強くお勧めします) で実装します。