The Complete Intro to Machine Learning with Python [Michael Lutz] [Udemy]

The Complete Intro to Machine Learning with Python
Hands-on Machine Learning boot-camp with Python, Numpy, Pandas, Regression, Decision Trees, Neural Networks, and more!

Авторы: Student ML Coalition, Michael Lutz
Опубликовано: 10/2021
Английский
Английский [авто]

Чему вы научитесь

• Learn the basics of data visualization and pre-processing (Python basics, Numpy, Pandas, Seaborn)
• Gain theoretical and practical experience with fundamental machine learning algorithms (Linear and Logistic Regression, K-NN, Decision Trees, Neural Networks)
• Understand advanced ML topics (encoding, ensemble learning techniques, etc.)
• Submit to your first Kaggle Machine Learning Competition

Материалы курса
10 разделов • 30 лекций • Общая продолжительность 5 ч 6 ми

• No programming or theoretical math prerequisites. We'll teach you everything you need to know.

Описание
Interested in machine learning but confused by the jargon? If so, we made this course for you.

Machine learning is the fastest-growing field with constant groundbreaking research. If you're interested in any of the following, you'll be interested in ML:

• Self-driving cars
  
  
• Language processing
  
  
• Market prediction
  
  
• Self-playing games
  
  
• And so much more!
  

No past knowledge is required: we'll start with the basics of Python and end with gradient-boosted decision trees and neural networks. The course will walk you through the fundamentals of machine learning, explaining mathematical foundations as well as practical implementations. By the end of our course, you'll have worked with five public data sets and have implemented all essential supervised learning models. After the course's completion, you'll be equipped to apply your skills to Kaggle data science competitions, business intelligence applications, and research projects.

We made the course quick, simple, and thorough. We know you're busy, so our curriculum cuts to the chase with every lecture. If you're interested in the field, this is a great course to start with.

Here are some of the Python libraries you'll be using:

• Numpy (linear algebra)
  
  
• Pandas (data manipulation)
  
  
• Seaborn (data visualization)
  
  
• Scikit-learn (optimized machine learning models)
  
  
• Keras (neural networks)
  
  
• XGBoost (gradient-boosted decision trees)
  

Here are the most important ML models you'll use:

• Linear Regression
  
  
• Logistic Regression
  
  
• Random Forrest Decision Trees
  
  
• Gradient-Boosted Decision Trees
  
  
• Neural Networks
  

Not convinced yet? By taking our course, you'll also have access to sample code for all major supervised machine learning models. Use them how you please!

Start your data science journey today with The Complete Intro to Machine Learning with Python.

Для кого этот курс:

• Anyone interested in machine learning, data science, and artificial intelligence. No experience required.

Полное введение в машинное обучение с помощью Python
Практический учебный курс по машинному обучению с Python, Numpy, Pandas, регрессией, деревьями решений, нейронными сетями и многим другим!

Авторы: Student ML Coalition, Michael Lutz
Опубликовано: 10/2021
Английский
Английский [авто]
Чему вы научитесь

• Изучите основы визуализации и предварительной обработки данных (основы Python, Numpy, Pandas, Seaborn)
• Получите теоретический и практический опыт работы с фундаментальными алгоритмами машинного обучения (линейная и логистическая регрессия, K-NN, деревья решений, нейронные сети)
• Понимать сложные темы машинного обучения (кодирование, методы ансамблевого обучения и т. Д.)
• Отправьте заявку на участие в вашем первом конкурсе по машинному обучению Kaggle

Материалы курса
10 разделов • 30 лекций • Общая продолжительность 5 ч 6 мин

• Никаких предварительных требований к программированию или теоретической математике. Мы научим вас всему, что вам нужно знать.

Описание
Заинтересованы в машинном обучении, но не понимают этого жаргона? Если да, то мы сделали этот курс для вас.

Машинное обучение - это самая быстрорастущая область, в которой постоянно ведутся новаторские исследования. Если вас интересует что-либо из следующего, вас заинтересует ML:

• Беспилотные автомобили
  
  
• Языковая обработка
  
  
• Прогноз рынка
  
  
• Самостоятельные игры
  
  
• И многое другое!
  

Никаких прошлых знаний не требуется: мы начнем с основ Python и закончим деревьями решений с градиентным усилением и нейронными сетями. Курс познакомит вас с основами машинного обучения, объяснит математические основы, а также практическую реализацию. К концу нашего курса вы будете работать с пятью общедоступными наборами данных и внедрить все необходимые модели контролируемого обучения. После завершения курса вы будете готовы применить свои навыки в соревнованиях по науке о данных Kaggle, в приложениях бизнес-аналитики и в исследовательских проектах.

Мы сделали курс быстрым, простым и тщательным. Мы знаем, что вы заняты, поэтому наша учебная программа сводится к преследованию каждой лекции. Если вас интересует эта область, это отличный курс для начала.

Вот некоторые из библиотек Python, которые вы будете использовать:

• Numpy (линейная алгебра)
  
  
• Панды (манипулирование данными)
  
  
• Seaborn (визуализация данных)
  
  
• Scikit-learn (оптимизированные модели машинного обучения)
  
  
• Керас (нейронные сети)
  
  
• XGBoost (деревья решений с градиентным усилением)
  

Вот наиболее важные модели машинного обучения, которые вы будете использовать:

• Линейная регрессия
  
  
• Логистическая регрессия
  
  
• Случайные деревья решений Форреста
  
  
• Деревья решений с градиентным усилением
  
  
• Нейронные сети
  

Еще не убедили? Пройдя наш курс, вы также получите доступ к образцам кода для всех основных моделей контролируемого машинного обучения. Используйте их как хотите!

Начните свое путешествие по науке о данных сегодня с полного введения в машинное обучение с помощью Python.

Для кого этот курс:

• Всем, кто интересуется машинным обучением, наукой о данных и искусственным интеллектом. Опыт не требуется.

Скрытая ссылка