Машинное обучение с Python [Prashant Mishra] [Udemy]

[Bot]

Machine Learning with Python : COMPLETE COURSE FOR BEGINNERS
Машинное обучение с Python: ПОЛНЫЙ КУРС ДЛЯ НАЧИНАЮЩИХ
Полный курс машинного обучения с Python для начинающих
Последнее обновление: 03.2022
Английский
Субтитры русский [авто]

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

Материалы курса
11 разделов • 35 лекций • Общая продолжительность 13 ч 12 мин
Требования

• Предварительный опыт не требуется, вы узнаете, что необходимо. (Базовые знания Python определенно увеличат ваши шансы на быстрое обучение))

Описание
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

• 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

• 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

• 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

• 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

• Введение в рекомендательные системы
• Модель, основанная на популярности
• Гибридные модели
• Система рекомендаций на основе контента
• Совместная фильтрация

Дополнительные модули

• Библиотека профилирования Pandas

[*]Прогнозирование временных рядов

• Подход АРИМА

• 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.

Вам необходимо зрегистрироваться для просмотра ссылок

Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.