Formulate small examples of KNN classification by hand
Implement a KNN Classification algorithm in Python
Implement a KNN Regression algorithm in Python
In this 2-hour long project-based course, we will explore the basic principles behind the K-Nearest Neighbors algorithm, as well as learn how to implement KNN for decision making in Python. A simple, easy-to-implement supervised machine learning algorithm that can be used to solve both classification and regression problems is the k-nearest neighbors (KNN) algorithm. The fundamental principle is that you enter a known data set, add an unknown data point, and the algorithm will tell you which class corresponds to that unknown data point. The unknown is characterized by a straightforward neighborly vote, where the "winner" class is the class of near neighbors. It is most commonly used for predictive decision-making. For instance,: Is a consumer going to default on a loan or not? Will the company make a profit? Should we extend into a certain sector of the market? 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.
Statistical Analysis
Machine Learning
Python Programming
K-Nearest Neighbors Algorithm (K-NN)
Classification Algorithms
Em um vÃdeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:
Understanding the Basic Structure of a KNN model
Computing a simple KNN by hand
Looking at an example of a KNN in action in Python
Implementing an example KNN Regression in Python
Implementing an example KNN Classification in Python
Sua área de trabalho é um espaço em nuvem, acessado diretamente do navegador, sem necessidade de nenhum download
Em um vÃdeo de tela dividida, seu instrutor te orientará passo a passo
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 vÃdeo 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 disponÃveis para dispositivos móveis.
Os instrutores do projeto guiado são especialistas no assunto, têm experiência com a habilidade, a ferramenta ou o domÃnio 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 disponÃveis para projetos guiados. Consulte nossa polÃtica de reembolso completa.
Não há auxÃlio financeiro disponÃvel para projetos guiados.
A participação como ouvinte não está disponÃvel para projetos guiados.
Na parte superior da página, você pode clicar no nÃvel de experiência deste projeto guiado para visualizar os pré-requisitos de conhecimento. Em cada nÃvel dos projetos guiados, seu instrutor o guiará passo a passo.
Sim, tudo o que você precisa para completar o projeto guiado estará disponÃvel em uma área de trabalho na nuvem disponÃvel 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.
Mais dúvidas? Visite o Central de Ajuda ao estudante.
