Программирование [Udemy] Prashant Mishra - Машинное обучение с Python (2023)

[tttx]

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.

Язык: Английский Субтитры русский [авто]

ПРОДАЖНИК:

Авторизуйтесь, чтобы посмотреть скрытый контент

СКАЧАТЬ:

Авторизуйтесь, чтобы посмотреть скрытый контент