Apprendimento automatico: classificazione

Descrizione

Case study: analisi del sentiment e previsione del default del prestito

Nel nostro caso di studio sull'analisi del sentiment, creerai modelli che prevedono una classe (sentiment positivo / negativo) dalle caratteristiche di input (testo delle recensioni, informazioni sul profilo utente, ...). Nel nostro secondo caso di studio per questo corso, la previsione del default del prestito, affronterai i dati finanziari e prevedi quando è probabile che un prestito sia rischioso o sicuro per la banca. Queste attività sono un esempio di classificazione, una delle aree più utilizzate dell'apprendimento automatico, con un'ampia gamma di applicazioni, tra cui il targeting degli annunci, il rilevamento dello spam, la diagnosi medica e la classificazione delle immagini.

In questo corso creerai classificatori che forniscono prestazioni all'avanguardia su una varietà di attività. Acquisirai familiarità con le tecniche di maggior successo, che sono più ampiamente utilizzate nella pratica, tra cui la regressione logistica, gli alberi decisionali e il boosting. Inoltre, sarai in grado di progettare e implementare gli algoritmi sottostanti che possono apprendere questi modelli su scala, utilizzando l'ascesa del gradiente stocastico. Implementerai queste tecniche in attività di machine learning su larga scala e reali. Affronterai anche compiti significativi che dovrai affrontare nelle applicazioni del mondo reale di ML, inclusa la gestione dei dati mancanti e la misurazione della precisione e il richiamo per valutare un classificatore. Questo corso è pratico, ricco di azione e ricco di visualizzazioni e illustrazioni di come queste tecniche si comporteranno su dati reali. Abbiamo anche incluso contenuti opzionali in ogni modulo, trattando argomenti avanzati per coloro che vogliono andare ancora più in profondità!

Obiettivi di apprendimento: entro la fine di questo corso, sarai in grado di:
-Descrivere l'input e l'output di un modello di classificazione.
-Raffrontare i problemi di classificazione sia binaria che multiclasse.
-Implementare un modello di regressione logistica per la classificazione su larga scala.
-Creare un modello non lineare usando gli alberi decisionali.
-Migliorare le prestazioni di qualsiasi modello usando il potenziamento.
-Scala i tuoi metodi con salita gradiente stocastica.
-Descrivere i confini delle decisioni sottostanti.
-Costruisci un modello di classificazione per prevedere il sentiment in un set di dati di revisione del prodotto.
-Analizzare i dati finanziari per prevedere le inadempienze sui prestiti.
-Utilizzare tecniche per la gestione dei dati mancanti.
-Valuta i tuoi modelli utilizzando metriche di richiamo di precisione.
-Implementa queste tecniche in Python (o nella lingua che preferisci, anche se Python è altamente raccomandato).