Машинное обучение с Python [Prashant Mishra] [Udemy]

Складчина: Машинное обучение с Python [Prashant Mishra] [Udemy]

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

• 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.

Скрытая ссылка