This course introduces you to one of the main types of modelling families of supervised Machine Learning: Regression. You will learn how to train regression models to predict continuous outcomes and how to use error metrics to compare across different models. This course also walks you through best practices, including train and test splits, and regularization techniques.
von
IBM Skills NetworkÃœber diesen Kurs
90.378 kürzliche Aufrufe
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100Â % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Stufe „Mittel“
Ca. 11 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
Kompetenzen, die Sie erwerben
- Regression Analysis
- Supervised Learning
- Linear Regression
- Ridge Regression
- Machine Learning (ML) Algorithms
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100Â % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Stufe „Mittel“
Ca. 11 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
von
IBM Skills Network
IBM is the global leader in business transformation through an open hybrid cloud platform and AI, serving clients in more than 170 countries around the world. Today 47 of the Fortune 50 Companies rely on the IBM Cloud to run their business, and IBM Watson enterprise AI is hard at work in more than 30,000 engagements. IBM is also one of the world’s most vital corporate research organizations, with 28 consecutive years of patent leadership. Above all, guided by principles for trust and transparency and support for a more inclusive society, IBM is committed to being a responsible technology innovator and a force for good in the world.
Lehrplan - Was Sie in diesem Kurs lernen werden
2 Stunden zum Abschließen
Introduction to Supervised Machine Learning and Linear Regression
This module introduces a brief overview of supervised machine learning and its main applications: classification and regression. After introducing the concept of regression, you will learn its best practices, as well as how to measure error and select the regression model that best suits your data.
2 Stunden zum Abschließen
9 Videos (Gesamt 77 min), 3 Lektüren, 3 Quiz
4 Stunden zum Abschließen
Data Splits and Cross Validation
There are a few best practices to avoid overfitting of your regression models. One of these best practices is splitting your data into training and test sets. Another alternative is to use cross validation. And a third alternative is to introduce polynomial features. This module walks you through the theoretical framework and a few hands-on examples of these best practices.
4 Stunden zum Abschließen
12 Videos (Gesamt 116 min), 3 Lektüren, 4 Quiz
5 Stunden zum Abschließen
Regression with Regularization Techniques: Ridge, LASSO, and Elastic Net
This module walks you through the theory and a few hands-on examples of regularization regressions including ridge, LASSO, and elastic net. You will realize the main pros and cons of these techniques, as well as their differences and similarities.
5 Stunden zum Abschließen
11 Videos (Gesamt 126 min), 3 Lektüren, 3 Quiz
Bewertungen
- 5 stars80,07Â %
- 4 stars15,21Â %
- 3 stars3,26Â %
- 2 stars0,72Â %
- 1 star0,72Â %
Top-Bewertungen von SUPERVISED MACHINE LEARNING: REGRESSION
von MB14. Apr. 2021
A well structured course with useful techniques in real life.
von UV5. Juli 2022
awesome expirence and iam good to go towards an next course thankyou.
von WZ5. Juni 2021
best course ever I learned regression and polynomials in a professional way.
thank you
von PN6. Feb. 2022
really good course, content is rich with good machine learning concepts
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Was bekomme ich, wenn ich dieses Zertifikat abonniere?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
