←ਸਾਰੀਆਂ ਮੰਜਿਲਾਂ

Raahaao Code: Machine Learning

Teach computers to learn from data, and know when not to trust them.

9+ ਪਾਠ ਦੇ ਘੰਟੇ · 2 ਪ੍ਰੋਜੈਕਟ · €35

ਇਹਨਾਂ ਪ੍ਰੀਖਿਆਵਾਂ ਦੀ ਤਿਆਰੀ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: AWS Certified AI Practitioner, AIF-C01 (AWS) · Azure AI Fundamentals, AI-901 (Microsoft)

ਜਾਂ ਇਸਨੂੰ ਮਹੀਨਾਵਾਰ ਪਲਾਨ ਵਿੱਚ ਲਓ, €3.46 ਪ੍ਰਤੀ ਹਫ਼ਤੇ ਤੋਂ (ਬਿੱਲ ਹਰ ਮਹੀਨੇ €15) →

ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਲੌਗ ਇਨ ਕਰੋ

ਕੋਈ ਵੀ ਪਾਠ ਖੋਲ੍ਹਣ ਲਈ ਖਾਤਾ ਚਾਹੀਦਾ ਹੈ। ਖਾਤੇ ਬਿਨਾਂ ਤੁਸੀਂ ਮੰਜ਼ਿਲਾਂ ਅਤੇ ਕੀਮਤਾਂ ਵੇਖ ਸਕਦੇ ਹੋ।

ਭੁਗਤਾਨ ਕਰੋ

ਤੁਸੀਂ ਸਿੱਖੋਗੇ, ਮੰਜਿਲ ਦਰ ਮੰਜਿਲ

  1. 1

    What learning means (Beginner)

    • What machine learning is
    • Your first model
    • Train and test
  2. 2

    Supervised learning (Beginner)

    • Classification
    • Measuring a classifier
    • k-nearest neighbours and scaling
  3. 3

    Better models (Intermediate)

    • Decision trees
    • Ensembles and random forests
    • Cross-validation and tuning
  4. 4

    Beyond labels (Intermediate)

    • Clustering with k-means
    • Dimensionality reduction with PCA
    • Working with text
  5. 5

    Pro (Job-ready)

    • Neural networks from scratch
    • Feature engineering and pipelines
    • Fairness, bias and ethics
    • From notebook to product

ਛੱਤ ਉੱਤੇ ਦੋ ਪ੍ਰੋਜੈਕਟ

House price predictor

Build a small house-price prediction workflow from a supplied CSV. Prepare input features without exposing the sale price to the model, train a regression pipeline with a reproducible holdout split, and measure its errors.

  • load(path) reads the house-price CSV and returns a pandas DataFrame
  • make_features(df) returns the four input columns and never includes price_eur
  • train(df) returns a fitted sklearn Pipeline trained on a deterministic training split, not the held-out rows
  • evaluate(model, df) returns a dict with numeric mae and r2 values for the supplied rows
  • predict_one(model, house) returns a float prediction for one valid house
  • predict_one(model, house) raises ValueError for missing or non-finite/non-numeric feature values
  • Training and evaluation do not use the target as an input feature, and training is deterministic

Churn early-warning

Build an early-warning classifier for customer churn using the supplied, imbalanced customer data. Train a reproducible pipeline that keeps the churn label out of its inputs, then measure errors that matter for finding customers at risk.

  • load(path) reads the churn CSV and returns a pandas DataFrame
  • train(df) returns a fitted sklearn Pipeline using only the four declared input features and a deterministic stratified train/test split
  • train(df) fits on the training partition only and accounts for the imbalanced churn classes
  • evaluate(model, df) returns precision, recall, and a 2x2 confusion matrix for the supplied rows at threshold 0.5
  • choose_threshold(model, df, min_recall) returns the highest probability threshold that reaches the requested recall
  • explain(model) returns the top three original input features ranked by summed absolute model coefficient
  • fairness_report(model, df, group_col) reports sample size, precision, and recall for every group

ਸਵਾਲ

ਮੈਨੂੰ ਕੁਝ ਇੰਸਟਾਲ ਕਰਨਾ ਪਵੇਗਾ?

ਨਹੀਂ। ਸਭ ਕੁਝ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਚਲਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਤੁਸੀਂ ਆਪਣੇ ਕੰਪਿਊਟਰ ਉੱਤੇ ਵੀ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਆਪਣੀਆਂ ਫਾਈਲਾਂ ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ।

ਕੀ ਮੈਂ ਉਹ ਨੱਕ ਸਕਦਾ ਹਾਂ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਸੇ ਜਾਣਦਾ ਹਾਂ?

ਹਾਂ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਮੰਜਿਲ ਦੇ ਮਾਲਕ ਬਣ ਜਾਉ, ਹਰੇਕ ਮੰਡਲੀ ਦੀ ਇੱਕ ਪਰੀਖਿਆ ਹੈ: 10 ਵਿੱਚੋਂ 8 ਸਕੋਰ ਕਰੋ ਅਤੇ ਉਹ ਮੰਜਿਲ ਖੁੱਲ ਜਾਂਦੀ ਹੈ।

ਵਾਪਸੀ ਨੀਤੀ ਕੀ ਹੈ?

ਖਰੀਦ ਦੇ 5 ਦਿਨਾਂ ਅੰਦਰ ਵਾਪਸੀ। 5 ਦਿਨਾਂ ਦੇ ਬਾਅਦ, ਕੋਈ ਵਾਪਸੀ ਜਾਂ ਵਾਪਸ ਨਹੀਂ।

ਕੀ ਮੈਂ ਪਹੁੰਚ ਰੱਖਦਾ ਹਾਂ?

ਹਾਂ। ਜੋ ਮੰਜਿਲ ਤੁਸੀਂ ਖਰੀਦਦੇ ਹੋ ਉਹ ਤੁਹਾਡੀ ਹੈ, ਕੋਈ ਸਦਸਤਾ ਨਹੀਂ ਹੈ।

Refund policy

ਮੰਜਿਲਾਂ

HTML & CSS · JavaScript · Python · SQL · C++ · Node.js · ਡਾਟਾ ਲਈ ਪਾਇਥਨ · Flask · Logic & Problem Solving · Algorithms & Data Structures · Java · Building with AI