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
En un video que se reproduce en una pantalla dividida con tu área de trabajo, tu instructor te guiará en cada paso:
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
Tu espacio de trabajo es un escritorio virtual directamente en tu navegador, no requiere descarga.
En un video de pantalla dividida, tu instructor te guía paso a paso
Al comprar un proyecto guiado, obtendrás todo lo que necesitas para completarlo, incluido el acceso a un espacio de trabajo de escritorio en la nube a través de tu navegador web que contiene los archivos y el software que necesitas para comenzar, además de instrucciones de video paso a paso de un experto en la materia.
Dado que tu espacio de trabajo contiene un escritorio en la nube del tamaño de una computadora portátil o computadora de escritorio, los proyectos guiados no están disponibles en tu dispositivo móvil.
Los instructores de proyectos guiados son expertos en la materia que tienen experiencia en habilidades, herramientas o dominios de su proyecto y les apasiona compartir sus conocimientos para impactar a millones de estudiantes en todo el mundo.
Puedes descargar y conservar cualquiera de tus archivos creados del proyecto guiado. Para hacerlo, puedes usar la función 'Explorador de archivos' mientras accedes a tu escritorio en la nube.
Los proyectos guiados no son elegibles para reembolsos. Ver nuestra política de reembolso completo.
La ayuda financiera no está disponible para proyectos guiados.
El acceso como oyente no está disponible para los proyectos guiados.
En la parte superior de la página, puedes presionar en el nivel de experiencia de este proyecto guiado para ver los requisitos de conocimientos previos. En cada nivel del proyecto guiado, tu instructor te orientará paso a paso.
Sí, todo lo que necesitas para completar tu proyecto guiado estará disponible en un escritorio en la nube que estará disponible en tu navegador.
Aprenderás completando tareas en un entorno de pantalla dividida directamente en tu navegador. En el lado izquierdo de la pantalla, completarás la tarea en tu espacio de trabajo. En el lado derecho de la pantalla, verás a un instructor guiarte a través del proyecto, paso a paso.
¿Tienes más preguntas? Visita el Centro de Ayuda al Estudiante.
