Программирование [Udemy] Машинное обучение с Python (2023)

2ZArrvdK.jpg

ОПИСАНИЕ:

Чему вы научитесь

  • Мастер машинного обучения на Python
  • Сделайте мощный анализ
  • Делайте точные прогнозы
  • Создавайте надежные модели машинного обучения
  • Используйте машинное обучение в личных целях
  • Создайте армию мощных моделей машинного обучения и узнайте, как комбинировать их для решения любой проблемы.
  • Классифицируйте данные с помощью кластеризации K-средних, машин опорных векторов (SVM), KNN, деревьев решений, наивного Байеса и PCA.
  • Очистите входные данные, чтобы удалить выбросы
Машинное обучение и искусственный интеллект (ИИ) повсюду; если вы хотите узнать, как такие компании, как Google, Amazon и даже Udemy, извлекают смысл и информацию из огромных наборов данных, этот курс по науке о данных даст вам необходимые основы. Специалисты по данным пользуются одной из самых высокооплачиваемых профессий со средней зарплатой в 120 000 долларов, согласно данным Glassdoor и Indeed. Это просто средний показатель! И дело не только в деньгах - это еще и интересная работа!

Машинное обучение (полный обзор курса)

Фонды
  • Введение в машинное обучение
    • вступление
    • Применение машинного обучения в разных областях.
    • Преимущество использования библиотек Python. (Питон для машинного обучения).
  • Python для ИИ и машинного обучения
  • Основы Python
  • Функции, пакеты и подпрограммы Python.
  • Работа со структурой данных, массивами, векторами и фреймами данных. (Введение с некоторыми примерами)
  • Ноутбук Jupyter — установка и работа
  • Панды, NumPy, Матплотиб, Сиборн
  • Прикладная статистика
    • Описательная статистика
    • Вероятность и условная вероятность
    • Проверка гипотезы
    • Выведенный статистика
    • Распределения вероятностей. Типы распределения. Биномиальное, пуассоновское и нормальное распределение.
Машинное обучение
  • Контролируемое обучение
    • Линейная регрессия с несколькими переменными
    • Регрессия
      • Введение в регрессию
      • Простая линейная регрессия
      • Оценка модели в регрессионных моделях
      • Метрики оценки в регрессионных моделях
      • Множественная линейная регрессия
      • Нелинейная регрессия
    • Наивные байесовские классификаторы
    • Множественная регрессия
    • K-NN классификация
    • Машины опорных векторов
  • Неконтролируемое обучение
    • Введение в кластеризацию
    • Кластеризация K-средних
    • Высокоразмерная кластеризация
    • Иерархическая кластеризация
    • Уменьшение размеров-PCA
  • Классификация
    • Введение в классификацию
    • K-ближайшие соседи
    • Метрики оценки в классификации
    • Введение в решение tress
    • Решение о строительстве
    • В логистическую регрессию
    • Логистическая регрессия против линейной регрессии
    • Обучение логистической регрессии
    • Машина опорных векторов
  • Технический пакет
    • Деревья решений
    • Бэгинг
    • Случайные леса
    • Повышение
  • Особенности, выбор модели и настройка
    • Разработка функций
    • Производительность модели
    • конвейер машинного обучения
    • Поиск по сетке резюме
    • K-кратная перекрестная проверка
    • Выбор модели и настройка
    • Регуляризация линейных моделей
    • Начальная выборка
    • Рандомизированный поиск резюме

  • Рекомендательные системы
    • Введение в рекомендательные системы
    • Модель, основанная на популярности
    • Гибридные модели
    • Система рекомендаций на основе контента
    • Совместная фильтрация
Дополнительные модули
  • ЭДА
    • Библиотека профилирования Pandas
  • Прогнозирование временных рядов
    • Подход АРИМА
  • Развертывание модели
    • Кубернетес
Замковый проект

Если у вас есть некоторый опыт программирования или написания сценариев, этот курс научит вас методам, используемым настоящими учеными данных и практиками машинного обучения в технологической отрасли, и подготовит вас к переходу на этот горячий карьерный путь.

Каждое понятие вводится на простом английском языке, избегая запутанных математических обозначений и жаргона. Затем он демонстрируется с использованием кода Python, с которым вы можете экспериментировать и опираться на него, а также с примечаниями, которые вы можете сохранить для дальнейшего использования. В этом курсе вы не найдете академического, глубоко математического освещения этих алгоритмов — основное внимание уделяется их практическому пониманию и применению. В конце вам будет предоставлен окончательный проект , чтобы применить то, что вы узнали!

Отзыв нашего ученика: Отличный курс. Точная и хорошо организованная презентация. Полный курс наполнен не только теоретическими, но и практическими примерами. Г-н Рисаб достаточно любезен, чтобы поделиться своим практическим опытом и реальными проблемами, с которыми сталкиваются специалисты по обработке и анализу данных/инженеры машинного обучения. Тема «Этика глубокого обучения» — действительно золотой самородок, которому должен следовать каждый. Спасибо, 1stMentor и SelfCode Academy за этот замечательный курс.

Для кого этот курс:
  • Начинающие разработчики Python с энтузиазмом изучают машинное обучение и науку о данных
  • Всем, кто интересуется машинным обучением.
  • Учащиеся, имеющие по крайней мере школьные знания по математике и желающие начать изучать машинное обучение.
  • Любые люди среднего уровня, которые знакомы с основами машинного обучения, включая классические алгоритмы, такие как линейная регрессия или логистическая регрессия, но которые хотят узнать об этом больше и изучить все различные области машинного обучения.
  • Любые люди, которым не очень удобно программировать, но которые интересуются машинным обучением и хотят легко применять его к наборам данных.
  • Любые студенты колледжа, которые хотят начать карьеру в области науки о данных.
  • Любые аналитики данных, которые хотят повысить свой уровень в области машинного обучения.
  • Любые люди, которые хотят создать дополнительную ценность для своего бизнеса, используя мощные инструменты машинного обучения.
ПРОДАЖНИК:

СКАЧАТЬ:
 

Обратите внимание

Назад
Сверху