Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

Machine Learning with Imbalanced Data

Học Máy với Dữ Liệu Mất Cân Bằng

Học Máy với Dữ Liệu Mất Cân Bằng

Hướng dẫn tăng và giảm mẫu dữ liệu, áp dụng SMOTE, phương pháp ensemble và học nhạy cảm chi phí

4.7
(845 đánh giá)
9,321 học viên
Giảng viên
Soledad Galli
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
9.5 giờ video
106 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026
#Data Science #Machine Learning #Python #Scikit Learn

Bạn sẽ học được gì

Áp dụng giảm mẫu ngẫu nhiên để loại bỏ các quan sát thuộc lớp đa số
Thực hiện giảm mẫu bằng cách loại bỏ các quan sát khó phân loại
Thực hiện giảm mẫu bằng cách giữ lại các quan sát ở ranh giới phân tách lớp
Áp dụng tăng mẫu ngẫu nhiên để mở rộng lớp thiểu số
Tạo dữ liệu tổng hợp để tăng số lượng mẫu cho lớp thiểu số
Triển khai SMOTE và các biến thể của nó để tạo dữ liệu tổng hợp
Sử dụng phương pháp ensemble kết hợp kỹ thuật lấy mẫu để cải thiện hiệu suất mô hình
Thay đổi chi phí phân loại sai được tối ưu hóa bởi các mô hình để phù hợp với các lớp thiểu số
Đánh giá hiệu suất mô hình bằng các chỉ số phù hợp nhất cho tập dữ liệu mất cân bằng

Yêu cầu

Kiến thức về các thuật toán học máy cơ bản như hồi quy, cây quyết định và láng giềng gần nhất
Lập trình Python, bao gồm quen thuộc với NumPy, Pandas và Scikit-learn
Cài đặt Python và Jupyter notebook

Đối tượng phù hợp

Dành cho nhà khoa học dữ liệu và kỹ sư học máy làm việc với tập dữ liệu mất cân bằng
Dành cho nhà khoa học dữ liệu muốn cải thiện hiệu suất mô hình huấn luyện trên tập dữ liệu mất cân bằng
Dành cho sinh viên muốn học nội dung trung cấp về học máy
Dành cho sinh viên làm việc với mục tiêu đa lớp mất cân bằng

Nội dung khóa học

10 phần • 106 bài giảng
1 Tổng quan Chương trình Khóa học
2 Tài liệu Khóa học
3 Mã nguồn | Sổ ghi chép Jupyter
4 Các bài thuyết trình trong khóa học
5 Gói Python Imbalanced-learn
6 Tải xuống Bộ Dữ liệu
7 Tài nguyên học kỹ năng học máy
1 Giới thiệu về lớp mất cân bằng
2 Bản chất của lớp mất cân bằng
3 Tổng quan các phương pháp làm việc với tập dữ liệu mất cân bằng
4 Tài nguyên Đọc thêm (Tùy chọn)
1 Giới thiệu về Chỉ số Hiệu suất
2 Độ chính xác (Accuracy)
3 Độ chính xác - Thực hành
4 Độ chính xác dương (Precision), Độ nhạy (Recall) và F-measure
5 Cài đặt Yellowbrick
6 Precision, Recall và F-measure - Thực hành
7 Bảng nhầm lẫn, Tỷ lệ dương tính giả (FPR) và Tỷ lệ âm tính giả (FNR)
8 Bảng nhầm lẫn, FPR và FNR - Thực hành
9 Độ chính xác cân bằng (Balanced Accuracy)
10 Độ chính xác cân bằng - Thực hành
11 Trung bình hình học (Geometric Mean), Độ chi phối (Dominance), Chỉ số Độ chính xác Mất cân bằng
12 Trung bình hình học, Độ chi phối, Chỉ số Độ chính xác Mất cân bằng - Thực hành
13 ROC-AUC
14 ROC-AUC - Thực hành
15 Đường cong Precision-Recall
16 Đường cong Precision-Recall - Thực hành
17 Tài nguyên đọc thêm (Tùy chọn)
18 Xác suất
1 Giới thiệu Phương pháp Giảm mẫu
2 Giới thiệu Giảm mẫu Ngẫu nhiên
3 Giảm mẫu Ngẫu nhiên - Thực hành
4 Giới thiệu Láng giềng Gần nhất Cô đặc (Condensed Nearest Neighbours)
5 Láng giềng Gần nhất Cô đặc - Thực hành
6 Giới thiệu Liên kết Tomek (Tomek Links)
7 Liên kết Tomek - Thực hành
8 Giới thiệu Lựa chọn Một phía (One Sided Selection)
9 Lựa chọn Một phía - Thực hành
10 Giới thiệu Láng giềng Gần nhất Đã chỉnh sửa (Edited Nearest Neighbours)
11 Láng giềng Gần nhất Đã chỉnh sửa - Thực hành
12 Giới thiệu Láng giềng Gần nhất Đã chỉnh sửa Lặp lại
13 Láng giềng Gần nhất Đã chỉnh sửa Lặp lại - Thực hành
14 Giới thiệu All KNN
15 All KNN - Thực hành
16 Giới thiệu Quy tắc Làm sạch Vùng lân cận (Neighbourhood Cleaning Rule)
17 Quy tắc Làm sạch Vùng lân cận - Thực hành
18 Giới thiệu NearMiss
19 NearMiss - Thực hành
20 Giới thiệu Độ khó của Mẫu (Instance Hardness)
21 Ngưỡng Độ khó của Mẫu - Thực hành
22 Ngưỡng Độ khó của Mẫu Đa lớp - Thực hành
23 So sánh Phương pháp Giảm mẫu
24 Tổng kết phần
25 Thiết lập bộ phân loại với giảm mẫu và xác thực chéo
26 Bảng Tóm tắt
1 Giới thiệu Phương pháp Tăng mẫu
2 Tăng mẫu Ngẫu nhiên
3 Tăng mẫu Ngẫu nhiên - Thực hành
4 Giới thiệu Tăng mẫu Ngẫu nhiên với làm mịn
5 Tăng mẫu Ngẫu nhiên với làm mịn - Thực hành
6 SMOTE
7 SMOTE - Thực hành
8 SMOTE-NC
9 SMOTE-NC - Thực hành
10 SMOTE-N
11 SMOTE-N - Thực hành
12 ADASYN
13 ADASYN - Thực hành
14 Borderline SMOTE
15 Borderline SMOTE - Thực hành
16 SVM SMOTE
17 Tài nguyên về SVM
18 SVM SMOTE - Thực hành
19 K-Means SMOTE
20 K-Means SMOTE - Thực hành
21 So sánh Phương pháp Tăng mẫu
22 Tổng kết phần
23 Cách Thiết lập Đúng một Bộ phân loại với Tăng mẫu
24 Thiết lập Bộ phân loại - Thực hành
25 Bảng Tóm tắt
1 Giới thiệu Kết hợp Tăng và Giảm mẫu
2 Kết hợp Tăng và Giảm mẫu - Thực hành
3 So sánh Phương pháp Tăng và Giảm mẫu
4 Kết hợp thủ công tăng và giảm mẫu
5 Tổng kết
1 Phương pháp Ensemble với Dữ liệu Mất cân bằng
2 Nền tảng của Học Ensemble
3 Bagging
4 Bagging kết hợp Tăng hoặc Giảm mẫu
5 Boosting
6 Boosting kết hợp Lấy mẫu lại
7 Phương pháp Lai (Hybrid Methods)
8 Phương pháp Ensemble - Thực hành
9 Tổng kết
10 Tài nguyên Đọc thêm
1 Giới thiệu Học Nhạy cảm Chi phí
2 Các Loại Chi phí
3 Xác định Chi phí
4 Các Phương pháp Học Nhạy cảm Chi phí
5 Chi phí Phân loại Sai trong Hồi quy Logistic
6 Chi phí Phân loại Sai trong Cây Quyết định
7 Học Nhạy cảm Chi phí với Scikit-learn
8 Tìm Chi phí Tối ưu bằng điều chỉnh siêu tham số
9 Tài nguyên Đọc thêm
1 Các Ví dụ
1 Bài giảng Thưởng

Giới thiệu khóa học

Welcome to Machine Learning with Imbalanced Datasets. In this course, you will learn multiple techniques which you can use with imbalanced datasets to improve the performance of your machine learning models.


If you are working with imbalanced datasets right now and want to improve the performance of your models, or you simply want to learn more about how to tackle data imbalance, this course will show you how.


We'll take you step-by-step through engaging video tutorials and teach you everything you need to know about working with imbalanced datasets. Throughout this comprehensive course, we cover almost every available methodology to work with imbalanced datasets, discussing their logic, their implementation in Python, their advantages and shortcomings, and the considerations to have when using the technique. Specifically, you will learn:


  • Under-sampling methods at random or focused on highlighting certain sample populations

  • Over-sampling methods at random and those which create new examples based of existing observations

  • Ensemble methods that leverage the power of multiple weak learners in conjunction with sampling techniques to boost model performance

  • Cost sensitive methods which penalize wrong decisions more severely for minority classes

  • The appropriate metrics to evaluate model performance on imbalanced datasets


By the end of the course, you will be able to decide which technique is suitable for your dataset, and / or apply and compare the improvement in performance returned by the different methods on multiple datasets.


This comprehensive machine learning course includes over 50 lectures spanning more than 10 hours of video, and ALL topics include hands-on Python code examples which you can use for reference and for practice, and re-use in your own projects.


In addition, the code is updated regularly to keep up with new trends and new Python library releases.


So what are you waiting for? Enroll today, learn how to work with imbalanced datasets and build better machine learning models.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Python
Hiển thị tất cả khoá học Scikit Learn
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊