Админ. и Програм. Скачать [Udemy] Prashant Mishra - Машинное обучение с Python (2023)

[superslivman]

[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

Этот курс доступен с подпиской: Премиум и Премиум MAX

СКАЧАТЬ

Этот курс доступен с подпиской: Премиум и Премиум MAX