Implement Logistic Regression using Python and Numpy.
Apply Logistic Regression to solve binary classification problems.
In this 2-hour long project-based course, you will learn how to implement Logistic Regression using Python and Numpy. Logistic Regression is an important fundamental concept if you want break into Machine Learning and Deep Learning. Even though popular machine learning frameworks have implementations of logistic regression available, it's still a great idea to learn to implement it on your own to understand the mechanics of optimization algorithm, and the training and validation process. Since this is a practical, project-based course, you will need to have a theoretical understanding of logistic regression, and gradient descent. We will focus on the practical aspect of implementing logistic regression with gradient descent, but not on the theoretical aspect. By the end of this course, you would create and train a logistic model that will be able to predict if a given image is of hand-written digit zero or of hand-written digit one. The model will be able to distinguish between images or 0s and 1s, and it will do that with a very high accuracy. Not only that, your implementation of the logistic model will also be able to solve any generic binary classification problem. You will still have to train model instances on specific datasets of course, but you won’t have to change the implementation and it will be re-usable. The dataset for images of hand written digits comes from the popular MNIST dataset. This data set consists of images for the 10 hand-written digits (from 0 to 9), but since we are implementing logistic regression, and are looking to solve binary classification problems - we will work with examples of hand written zeros, and hand written ones and we will ignore examples of rest of the digits. 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.
작업 영역이 있는 분할 화면으로 재생되는 동영상에서 강사는 다음을 단계별로 안내합니다.
Introduction
Hyperparameters
Dataset
A Mini Batch of Examples
Create Model
Forward Pass
Backward Pass
Update Parameters
Check Model Performance
Training Loop
작업 영역은 브라우저에 바로 로드되는 클라우드 데스크톱으로, 다운로드할 필요가 없습니다.
분할 화면 동영상에서 강사가 프로젝트를 단계별로 안내해 줍니다.
Well..I would like to recommend this project for machine learning students who can have a better understanding of concepts related to deep learning and Ml.
Want to do a project in Logistic Regression. You are at the right spot Don't delay and take the course.
Easy to follow along, each step was made very clear, and I understood the justification behind steps.
I enjoyed it. Thank you. But helper functions could be explained more or given as a blog.
안내 프로젝트를 구매하면 어떤 혜택이 있습니까?
안내 프로젝트를 구매하면, 시작에 필요한 파일과 소프트웨어가 포함된 클라우드 데스크톱 작업 영역에 웹 브라우저를 통해 접근할 수 있으며, 주제 전문가의 단계별 동영상 지침 등 프로젝트 완료에 필요한 모든 것이 제공됩니다.
데스크톱과 모바일에서 안내 프로젝트를 이용할 수 있습니까?
귀하의 작업 영역에는 노트북이나 데스크톱 컴퓨터에 맞게 용량이 지정된 클라우드 데스크톱이 포함되어 있으므로 모바일 기기에서는 안내 프로젝트를 이용할 수 없습니다.
안내 프로젝트 강사는 누구입니까?
안내 프로젝트 강사는 해당 주제의 전문가로서, 해당 프로젝트 영역이나 도구, 기술에 대한 경험이 풍부하며 전 세계 수백만 명의 학습자와 지식을 적극적으로 공유합니다.
작업 완료 후 안내 프로젝트에서 해당 작업을 다운로드할 수 있습니까?
안내 프로젝트에서 생성된 파일은 모두 다운로드하고 보관할 수 있습니다. 클라우드 데스크톱에 접속한 상태에서 '파일 브라우저'를 사용하여 파일을 다운로드할 수 있습니다.
환불 규정은 어떻게 되나요?
안내 프로젝트는 환불이 불가능합니다. 전체 환불 정책 보기
재정 지원을 받을 수 있나요?
안내 프로젝트에는 재정 지원이 제공되지 않습니다.
안내 프로젝트를 청강하고 동영상 일부를 무료로 볼 수 있습니까?
안내 프로젝트의 청강은 할 수 없습니다.
이 안내 프로젝트를 수행하려면 경험이 얼마나 필요합니까?
페이지 상단에서 이 안내 프로젝트에 대한 경험 수준을 누르면 우선적으로 알아야 하는 지식을 확인할 수 있습니다. 안내 프로젝트의 단계마다 강사가 차례대로 안내해 드립니다.
소프트웨어를 별도로 설치하지 않아도 바로 웹 브라우저를 통해 이 안내 프로젝트를 완료할 수 있습니까?
네, 브라우저를 통해 이용할 수 있는 클라우드 데스크톱에서 안내 프로젝트 완료에 필요한 모든 것을 이용할 수 있습니다.
안내 프로젝트를 통해 어떤 학습 경험을 할 수 있습니까?
브라우저의 분할 화면 환경에서 바로 작업을 완료하여 학습할 수 있습니다. 화면 왼쪽에 있는 작업 영역에서 작업을 완료할 수 있습니다. 화면 오른쪽에서는 강사의 단계별 프로젝트 안내를 볼 수 있습니다.
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.