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

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

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.