머신러닝 과학자 R에서

이 과정에서는 분류를 위한 머신러닝 기초를 학습합니다.

이 강의에서는 선형 회귀, Generalized Additive Models, Random Forests, XGBoost로 미래 사건을 예측하는 방법을 학습합니다.

머신러닝 모델을 위한 특징 공학 원리를 배우고, R tidymodels 프레임워크로 구현하는 방법을 익히세요.

This course provides an intro to clustering and dimensionality reduction in R from a machine learning perspective.

Leverage tidyr and purrr packages in the tidyverse to generate, explore, and evaluate machine learning models.

여러 설명 변수를 사용해 선형 회귀와 로지스틱 회귀를 수행하는 방법을 학습합니다.

계층적 클러스터링과 k-평균 클러스터링의 작동 원리에 대한 강한 직관을 기르고, 이를 활용하여 데이터에서 통찰력을 추출하는 방법을 익히십시오.

이 과정은 예측 모델을 구축하고 평가하는 방법과 같은 머신 러닝의 핵심 개념을 가르칩니다.

tidymodels로 머신러닝 워크플로를 효율적으로 구축하는 방법을 배우십시오.

tidymodels로 트리 기반 모델과 앙상블을 활용해 분류·회귀 예측 방법을 학습합니다.

R에서 차원 축소 기법을 배우고, 데이터와 모델에 맞는 특징 선택·추출을 마스터하세요.

This course will introduce the support vector machine (SVM) using an intuitive, visual approach.

Learn what Bayesian data analysis is, how it works, and why it is a useful tool to have in your data science toolbox.

Learn how to tune your model's hyperparameters to get the best predictive results.

Bayesian 추정 기법을 활용해 선형 회귀 모형에 대한 추론을 개선하는 방법을 배우세요.

Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.

Learn how to run big data analysis using Spark and the sparklyr package in R, and explore Spark MLIb in just 4 hours.