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!
Язык: английский.
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))
Программа курса
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.
