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

[Odyvanchik]

[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.



—————————————————————————

🔗 Продажник:

📥 СКАЧАТЬ КУРС:

Для просмотра содержимого вам необходимо Войти или Зарегистрироваться.

🔐 Хотите получить доступ?

Чтобы увидеть скрытые ссылки и ставить лайки, активируйте VIP-статус.

💎 ПОЛУЧИТЬ ДОСТУП Наш Telegram канал