Interpretable Machine Learning Applications: Part 1
How to select and compare different prediction models (classification regressors) for a real world dataset (FIFA 2018 Soccer World Cup Statistics).
How to extract the most important features, which impact the classifiers, in a model-agnostic approach, together with caveats.
How to get an insight into the way values of the most important features impact the predictions made by the classifiers.
In this 1-hour long project-based course, you will learn how to create interpretable machine learning applications on the example of two classification regression models, decision tree and random forestc classifiers. You will also learn how to explain such prediction models by extracting the most important features and their values, which mostly impact these prediction models. In this sense, the project will boost your career as Machine Learning (ML) developer and modeler in that you will be able to get a deeper insight into the behaviour of your ML model. The project will also benefit your career as a decision maker in an executive position, or consultant, interested in deploying trusted and accountable ML applications. 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 basic knowledge
- Features engineering
- Machine learning classification (regression) models
Aprender passo a passo
Em um vídeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:
Setting the stage (Python Jupyter Lab web-based Server environment, importing the dataset and file to train and test the designated classification regressors as prediction models).
Train, test and estimate the accuracy (confusion matrix) of a Decision Tree classifier.
Train, test and estimate the accuracy (confusion matrix) of a Random Tree classifier as an alternative to the previous one.
Extract a ranking list of the features, which are most important for each one of our prediction models.
Extract and plot the impact of the values of selected important features on predictions being made by each one of our prediction models.
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
Perguntas Frequentes – FAQ
O que eu ganho se comprar projetos guiados?
Os projetos guiados estão disponíveis no computador e em dispositivos móveis?
Quem são os instrutores dos projetos guiados?
Posso baixar o trabalho do meu projeto guiado após completá-lo?
Como funciona a política de reembolso?Como funciona a política de reembolso?
Existe algum auxílio financeiro disponível?
Posso participar como ouvinte de um projeto guiado e assistir de graça a uma parte do vídeo?
Quanta experiência eu preciso ter para fazer esse projeto guiado?
Posso completar esse projeto guiado pelo meu navegador web em vez de instalar um software especial?
Como é a experiência de aprendizado com os projetos guiados?
Mais dúvidas? Visite o Central de Ajuda ao estudante.
Coursera Footer
