Breast Cancer Prediction Using Machine Learning

4.3
estrelas

15 classificações

oferecido por
Neste projeto guiado, você irá:

Learn to Build Logistic Regression Classifier to Classify Cancer as Malignant or Benign

Learn to download dataset directly from Kaggle using Kaggle API

Learn to work with Google Colab in Cloud

2 hours
Intermediário
Sem necessidade de download
Vídeo em tela dividida
Inglês
Apenas em desktop

In this 2 hours long project-based course, you will learn to build a Logistic regression model using Scikit-learn to classify breast cancer as either Malignant or Benign. We will use the Breast Cancer Wisconsin (Diagnostic) Data Set from Kaggle. Our goal is to use a simple logistic regression classifier for cancer classification. We will be carrying out the entire project on the Google Colab environment. You will need a free Gmail account to complete this project. Please be aware of the fact that the dataset and the model in this project, can not be used in real-life. We are only using this data for educational purposes. By the end of this project, you will be able to build the logistic regression classifier to classify between cancerous and noncancerous patients. You will also be able to set up and work with the Google colab environment. Additionally, you will also be able to clean and prepare data for analysis. You should be familiar with the Python Programming language and you should have a theoretical understanding of the Logistic Regression algorithm. You will need a free Gmail account to complete this project. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Habilidades que você desenvolverá

  • Python Programming

  • Cancer prediction

  • Machine Learning

  • Data Mining

Aprender passo a passo

Em um vídeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:

  1. Introduction and Import Libraries

  2. Download dataset directly from Kaggle

  3. Load & Explore the Dataset

  4. Perform LabelEncoding

  5. Split the data into Independent and Dependent sets and perform Feature Scaling

  6. Building Logistic Regression Classifier

  7. Evaluate the performance of the model

Como funcionam os projetos guiados

Sua área de trabalho é um espaço em nuvem, acessado diretamente do navegador, sem necessidade de nenhum download

Em um vídeo de tela dividida, seu instrutor te orientará passo a passo

Perguntas Frequentes – FAQ

Ao comprar projetos guiados, você recebe tudo o que precisa para completá-los, inclusive acesso a um espaço de trabalho de área de trabalho na nuvem por meio do seu navegador web, que contém o software e os arquivos necessários para iniciar, além de um vídeo de instruções passo a passo de um especialista no assunto.

Como seu espaço de trabalho tem uma área de trabalho na nuvem dimensionada para notebooks e computadores desktop, os projetos guiados não estão disponíveis para dispositivos móveis.

Os instrutores do projeto guiado são especialistas no assunto, têm experiência com a habilidade, a ferramenta ou o domínio do projeto e amam compartilhar seus conhecimentos para ajudar milhões de aprendizes do mundo todo.

Você pode baixar e manter todos os arquivos que foram criados para seu projeto guiado. Para fazer isso, você pode usar o recurso "Navegador de arquivos" enquanto acessa a área de trabalho na nuvem.

Reembolsos não estão disponíveis para projetos guiados. Consulte nossa política de reembolso completa.

Não há auxílio financeiro disponível para projetos guiados.

A participação como ouvinte não está disponível para projetos guiados.

Na parte superior da página, você pode clicar no nível de experiência deste projeto guiado para visualizar os pré-requisitos de conhecimento. Em cada nível dos projetos guiados, seu instrutor o guiará passo a passo.

Sim, tudo o que você precisa para completar o projeto guiado estará disponível em uma área de trabalho na nuvem disponível no seu navegador.

Você aprenderá na prática ao completar tarefas em um ambiente com tela dividida, diretamente em seu navegador. No lado esquerdo da tela, você completa a tarefa no seu espaço de trabalho. No lado direito, você assiste a um instrutor que o guiará pelo projeto, passo a passo.