Machine Learning - Python & R In Data Science for Android APK

Apraksts

Pilns udemy kurss bez maksas.

Ko Jūs uzzināsiet

Galvenā mašīnmācība pakalpojumā Python & R

Jums ir lieliska daudzu mašīnmācīšanās modeļu intuīcija

Veiciet precīzas prognozes

Veiciet spēcīgu analīzi

Izveidojiet stabilus mašīnmācīšanās modeļus

Izveidojiet spēcīgu pievienoto vērtību savam biznesam

Izmantojiet mašīnmācīšanos personīgiem nolūkiem

Apstrādājiet konkrētas tēmas, piemēram, stiprināšanas mācības, NLP un dziļo apmācību

Izmantojiet progresīvas metodes, piemēram, dimensiju samazināšanu

Uzziniet, kuru mašīnmācīšanās modeli izvēlēties katram problēmas veidam

Izveidojiet jaudīgu mašīnmācīšanās modeļu armiju un zināt, kā tos apvienot, lai atrisinātu jebkuru problēmu

Apraksts

Vai interesē mašīnmācīšanās joma? Tad šis kurss ir domāts tev!

Šo kursu ir izstrādājuši divi profesionāli datu zinātnieki, lai mēs varētu dalīties ar savām zināšanām un palīdzēt jums vienkāršā veidā apgūt sarežģītas teorijas, algoritmus un kodēšanas bibliotēkas.

Mēs soli pa solim iepazīstināsim jūs ar mašīnmācības pasauli. Ar katru apmācību jūs attīstīsit jaunas prasmes un uzlabosit izpratni par šo izaicinošo, taču ienesīgo datu zinātnes apakšnozari.

Šis kurss ir jautrs un aizraujošs, taču tajā pašā laikā mēs iedziļināmies mašīnmācībā. Tas ir strukturēts šādi:

1. daļa — datu pirmapstrāde

2. daļa — Regresija: vienkārša lineārā regresija, daudzkārtēja lineārā regresija, polinoma regresija, SVR, lēmumu koka regresija, izlases meža regresija

3. daļa — klasifikācija: loģistiskā regresija, K-NN, SVM, kodola SVM, naivie Bayes, lēmumu koku klasifikācija, nejauša meža klasifikācija

4. daļa. Klasterizācija: K-Means, hierarhiskā klasterizācija

5. daļa — asociācijas noteikumu apguve: Apriori, Eclat

6. daļa — pastiprināšanas mācības: augšējā pārliecības robeža, Tompsona izlase

7. daļa. Dabiskās valodas apstrāde: vārdu maisa modelis un algoritmi NLP

8. daļa — dziļa mācīšanās: mākslīgie neironu tīkli, konvolucionālie neironu tīkli

9. daļa — dimensiju samazināšana: PCA, LDA, kodola PCA

10. daļa — modeļa izvēle un uzlabošana: k-kārtīga krusteniskā validācija, parametru regulēšana, režģa meklēšana, XGBoost

Turklāt kurss ir piepildīts ar praktiskiem vingrinājumiem, kas balstīti uz reāliem piemēriem. Tātad jūs ne tikai apgūsit teoriju, bet arī iegūsit praktisku praksi, veidojot savus modeļus.

Un kā bonuss šajā kursā ir iekļautas gan Python, gan R koda veidnes, kuras varat lejupielādēt un izmantot savos projektos.

Kam šis kurss ir paredzēts:

Ikviens, kuru interesē mašīnmācība.

Studenti, kuriem ir vismaz vidusskolas zināšanas matemātikā un kuri vēlas sākt mācīties mašīnmācīšanos.

Jebkuri vidēja līmeņa cilvēki, kuri zina mašīnmācīšanās pamatus, tostarp klasiskos algoritmus, piemēram, lineāro regresiju vai loģistikas regresiju, bet vēlas uzzināt vairāk par to un izpētīt visas dažādās mašīnmācīšanās jomas.

Jebkurš cilvēks, kam nav tik ļoti patīk kodēšana, bet kurus interesē mašīnmācīšanās un kuri vēlas to viegli lietot datu kopās.

Visi koledžas studenti, kuri vēlas sākt karjeru datu zinātnē.

Jebkuri datu analītiķi, kuri vēlas sasniegt augstāku līmeni mašīnmācībā.

Visi cilvēki, kuri nav apmierināti ar savu darbu un vēlas kļūt par datu zinātnieku.

Jebkurš cilvēks, kurš vēlas radīt pievienoto vērtību savam biznesam, izmantojot jaudīgus mašīnmācīšanās rīkus.