Logistic Regression with NumPy and Python

4.5
231 個評分
提供方
Coursera Project Network
4,704 人已註冊
在此指導項目中,您將:

Implement the gradient descent algorithm from scratch

Perform logistic regression with NumPy and Python

Create data visualizations with Matplotlib and Seaborn

Clock1.5 hours
Beginner初級
Cloud無需下載
Video分屏視頻
Comment Dots英語(English)
Laptop僅限桌面

Welcome to this project-based course on Logistic with NumPy and Python. In this project, you will do all the machine learning without using any of the popular machine learning libraries such as scikit-learn and statsmodels. The aim of this project and is to implement all the machinery, including gradient descent, cost function, and logistic regression, of the various learning algorithms yourself, so you have a deeper understanding of the fundamentals. By the time you complete this project, you will be able to build a logistic regression model using Python and NumPy, conduct basic exploratory data analysis, and implement gradient descent from scratch. The prerequisites for this project are prior programming experience in Python and a basic understanding of machine learning theory. This course runs on Coursera's hands-on project platform called Rhyme. On Rhyme, you do projects in a hands-on manner in your browser. You will get instant access to pre-configured cloud desktops containing all of the software and data you need for the project. Everything is already set up directly in your internet browser so you can just focus on learning. For this project, you’ll get instant access to a cloud desktop with Python, Jupyter, NumPy, and Seaborn pre-installed.

您要培養的技能

Data ScienceMachine LearningPython ProgrammingclassificationNumpy

分步進行學習

在與您的工作區一起在分屏中播放的視頻中,您的授課教師將指導您完成每個步驟:

  1. Introduction and Project Overview

  2. Load the Data and Import Libraries

  3. Visualize the Data

  4. Define the Logistic Sigmoid Function 𝜎(𝑧)

  5. Compute the Cost Function 𝐽(𝜃) and Gradient

  6. Cost and Gradient at Initialization

  7. Implement Gradient Descent

  8. Plotting the Convergence of 𝐽(𝜃)

  9. Plotting the Decision Boundary

  10. Predictions Using the Optimized 𝜃 Values

指導項目工作原理

您的工作空間就是瀏覽器中的雲桌面,無需下載

在分屏視頻中,您的授課教師會為您提供分步指導

審閱

來自LOGISTIC REGRESSION WITH NUMPY AND PYTHON的熱門評論

查看所有評論

常見問題

常見問題

  • 購買指導項目後,您將獲得完成指導項目所需的一切,包括通過Web 瀏覽器訪問云桌面工作空間,工作空間中包含您需要了解的文件和軟件,以及特定領域的專家提供的分步視頻說明。

  • 由於您的工作空間包含適合筆記本電腦或台式計算機使用的雲桌面,因此指導項目不在移動設備上提供。

  • 指導項目講師是特定領域的專家,他們在項目的技能、工具或領域方面經驗豐富,並且熱衷於分享自己的知識以影響全球數百萬的學生。

  • 您可以從指導項目中下載並保留您創建的任何文件。為此,您可以在訪問云桌面時使用‘文件瀏覽器’功能。

  • 指導項目不符合退款條件。 請查看我們完整的退款政策

  • 指導項目不提供助學金。

  • 指導項目不支持旁聽。

  • 您可在頁面頂部點按此指導項目的經驗級別,查看任何知識先決條件。對於指導項目的每個級別,您的講師會逐步為您提供指導。

  • 是,您可以在瀏覽器的雲桌面中獲得完成指導項目所需的一切。

  • 您可以直接在瀏覽器中於分屏環境下完成任務,以此從做中學。在屏幕的左側,您將在工作空間中完成任務。在屏幕的右側,您將看到有講師逐步指導您完成項目。

還有其他問題嗎?請訪問 學生幫助中心