One Course
Setiap pelajaran, proyek, dan tryout di Machine learning.
Ditagih bulanan. Batalkan kapan saja.
Level 1: Pendatang baru
0 poin
Login untuk menyimpan progres Anda di berbagai perangkat.
Kursus / Alat data dan analitik
Bangun dan evaluasi model dengan scikit-learn di notebook sungguhan. Anda mulai dari alur pemodelan dan pembagian data untuk evaluasi yang jujur, lalu lanjut ke regresi, klasifikasi, pipeline, pemilihan model, dan kejadian langka, dengan setiap hasil diperiksa. Di akhir ada empat proyek dan dua tryout.
Pilih akses di sini. Kursus Anda sudah dipilih.
Buat dan evaluasi model prioritas pengingat tanpa mengubah akses ke janji temu.
6 langkah · 18 minProyek · MenengahProyek segmentasi pelangganBangun kelompok pelanggan dan ringkasan perilaku berindeks.
8 langkah · 40 minProyek · MenengahProyek churn keanggotaanBangun evaluasi churn dengan data holdout dan beri skor pada catatan pelanggan baru.
8 langkah · 40 minStudi kasus · MenengahKasus pemilihan metrik ritelPilih model peninjauan berdasarkan cakupan kasus positif dan kapasitas peninjauan.
6 langkah · 18 minProyek · LanjutanProyek peninjauan fraudTetapkan ambang peninjauan fraud untuk Nacre Payments ketika fraud yang terlewat berbiaya delapan kali lipat dari alarm palsu.
8 langkah · 40 minStudi kasus · LanjutanDiagnosis model logistikModel pengiriman tampak akurat pada data latihnya. Cari tahu bagaimana kinerjanya pada pengiriman baru dan apa yang perlu dilaporkan.
6 langkah · 30 minProyek · AhliProyek peramalan permintaanRamalkan permintaan dengan fitur yang hanya berasal dari masa lalu, holdout yang berurutan menurut waktu, dan baseline yang harus dikalahkan.
8 langkah · 40 minStudi kasus · AhliTinjauan peluncuran media dan perjalananTinjau model media dan perjalanan sebelum diluncurkan, dimulai dari bukti hasil yang tersedia.
6 langkah · 30 minTryout · AhliTes kerja pemodelan ATes pemodelan dengan batas waktu tentang holdout kronologis, fitur lag, validasi berkelompok, drift, dan ambang biaya yang diharapkan.
12 pertanyaan · 40 minTryout · AhliTes kerja pemodelan BTes pemodelan kedua dengan batas waktu tentang fold bergulir, entitas yang belum pernah terlihat, evaluasi bersarang, perubahan tingkat, rollback, dan recall per subgrup.
12 pertanyaan · 45 minKerjakan alur pemodelan di notebook Python yang sungguh berfungsi. Anda mulai dari fitur, target, pembagian data latih dan uji, serta baseline. Setelah itu Anda membangun model regresi dan klasifikasi, pipeline preprocessing yang bisa dipakai ulang, dan eksperimen pemilihan model. Pada tahap selanjutnya Anda mengerjakan clustering, ketidakseimbangan kelas, probabilitas yang dikalibrasi, interpretasi, dan evaluasi kronologis. Proyek orisinal meminta Anda menilai risiko churn, memperkirakan permintaan, menyelidiki fraud, dan menggambarkan segmen pelanggan. Setiap tugas memeriksa objek hasil fit dan hasilnya pada set data kedua. Anda menutup dengan latihan wawancara dan dua tes kerja berwaktu.
Work one company brief through several tools. Your Machine learning stage reads the tables from the stage before.
Lihat semua proyekJelaskan apa yang sudah Anda pelajari dalam wawancara layar penuh. Berbicaralah atau ketik, lalu tinjau jawaban Anda berdasarkan rubrik untuk level Anda.
Proses wawancara per posisiPemula
Rumuskan keputusan, kenali prediktor, dan tentukan hasil.
Lindungi observasi validasi dan uji dari informasi pelatihan.
Bandingkan model yang sudah di-fit dengan baseline memakai error pada data holdout.
Fit classifier biner dan ukur dampak dari kesalahannya.
Menengah
Fit transformasi pada baris pelatihan dan kendalikan kompleksitas koefisien.
Bandingkan pohon keputusan, rata-rata random forest, dan boosting sekuensial.
Gunakan jarak untuk klasifikasi dan pengelompokan pelanggan yang bermakna.
Tangani nilai yang hilang dan kategori baru di dalam pipeline yang sudah di-fit.
Lanjutan
Bangun fitur dan bandingkan kandidat dengan lipatan validasi.
Evaluasi hasil yang tidak seimbang dan pilih ambang batas operasional.
Periksa klaster berbasis kepadatan dan proyeksi berdimensi lebih rendah.
Kalibrasi probabilitas dan periksa kontribusi prediktif tanpa mengklaim sebab-akibat.
Ahli
Validasi prakiraan dengan fitur lag dan holdout yang benar-benar berada di periode berikutnya.
Pisahkan kelompok dan bedakan pemilihan model dari evaluasinya.
Ukur drift dan hasil yang sudah matang sebelum memilih respons.
Gabungkan biaya kesalahan, bukti per subgrup, dan pengerjaan penilaian berwaktu.