Руслан Сенаторов: Логистическая регрессия. Machine Learning

Научитесь решать задачи бинарной классификации с помощью логистической регрессии — одного из базовых и наиболее востребованных алгоритмов машинного обучения.

В этом курсе вы разберетесь, чем классификация отличается от регрессии, как логистическая регрессия рассчитывает вероятность принадлежности объекта к определенному классу и как на основе этой вероятности формируется итоговый прогноз. Теоретические понятия будут закреплены практическими примерами на Python с использованием pandas, NumPy, Matplotlib и scikit-learn.

В ходе курса вы научитесь:

- понимать принципы бинарной классификации;

- объяснять логику работы логистической регрессии;

- загружать, исследовать и подготавливать данные;

- обрабатывать пропущенные значения и категориальные признаки;

- разделять данные на обучающую и тестовую выборки;

- создавать и обучать модель в scikit-learn;

- получать классы и прогнозируемые вероятности;

- анализировать матрицу ошибок;

- рассчитывать accuracy, precision, recall и F1-score;

- строить и интерпретировать ROC-кривую;

- оценивать модель с помощью метрики ROC-AUC;

- выбирать подходящий порог классификации;

- интерпретировать коэффициенты логистической регрессии;

- находить распространенные ошибки при построении моделей.

Курс ориентирован на практическое применение алгоритма. Вы пройдете основные этапы проекта машинного обучения: от первоначального анализа данных до оценки и интерпретации готовой модели.

Курс подойдет начинающим специалистам по Data Science и Machine Learning, аналитикам, студентам и Python-разработчикам. Для обучения желательно знать основы Python и иметь начальные навыки работы с pandas. Глубокие знания математики и предыдущий опыт в машинном обучении не требуются.

После завершения курса вы сможете самостоятельно создавать, оценивать и улучшать модели бинарной классификации на основе логистической регрессии. SenatorovAI