中级
提供者 : Briana Brownell
7 章节 · 32 课时 · 1h 56m
语言：阿拉伯语, 德语, 英语, 西班牙语, 法语, 葡萄牙语, 简体中文
课程描述
在本课程中，您将学习使用机器学习进行分类建模的基础知识。您将检查典型的分类模型管道以及可以应用分类的适用问题。您还将学习如何收集、预处理和分析创建可行分类模型所需的数据。
将解释最常见的分类模型并讨论模型之间的权衡，包括实现它们的实用技巧。本课程还介绍了神经网络及其在分类模型中的应用。将讨论常见的挑战，以便您可以确保您创建的模型是公平的、可信赖的和健壮的。最后，您将有机会回顾分类模型的几个案例研究，以便详细了解它们的工作原理。在本课程结束时，您应该能够设计、分析、验证和实施分类模型，并了解其使用的含义。
您将学到的内容
- 识别分类模型如何及在哪些方面应用于现实问题
- 比较各种分类算法，包括其优势、劣势及适用场景
- 根据模型之间的权衡取舍，为特定问题选择最佳分类算法
- 收集、预处理并分析构建可行分类模型所需的数据
- 分析、验证并实施分类模型的结果
- 研究已实施的分类模型案例
关键要点
- 本课程涵盖典型的分类模型流程，从数据收集与预处理，到模型构建、特征工程与验证。
- 课程讲解最常见的分类模型，探讨各模型之间的权衡取舍，并提供实用的实施技巧。
- 课程介绍神经网络及其在分类模型中的应用，包括图像分类与卷积神经网络。
- 课程讨论可解释性、偏见与公平性以及对抗性攻击等常见挑战，帮助构建公平、可信且稳健的模型。
- 通过客户行为、医学与医疗保健以及图像分类等案例研究，深入展示分类模型的实际运作方式。
常见问题
完成本课程后，我将能够做什么？
学完本课程后，您应能够设计、分析、验证并实施分类模型，同时理解其应用所带来的影响。
本课程涵盖哪些分类模型？
课程涵盖常见的分类模型，包括回归、朴素贝叶斯、支持向量机、决策树、随机森林模型、梯度提升、k近邻、多分类模型，以及感知机和神经网络。
本课程是否涉及神经网络？
是的。课程介绍神经网络及其在分类模型中的应用，包括图像分类与卷积神经网络。
本课程涉及分类建模中的哪些挑战？
课程探讨数据收集问题、可解释性、偏见与公平性、对抗性攻击以及新兴挑战等常见问题，帮助您确保模型的公平性、可信度与稳健性。
本课程中是否有实际案例？
是的。课程包含已实施的分类模型案例研究，涵盖客户行为、医学与医疗保健以及图像分类等领域。
专业认证和继续教育单位 (CEUs)
International Institute of Business Analysis (IIBA®)
Continuing Development Units (CDUs): 2.0
诺乐知习题是国际商业分析协会（IIBA®）认可的CCBA®、CBAP®教育认证提供商。诺乐知习题课程可以帮助学员获得继续发展积分（CDUs）。
