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

Նկարագրություն

Udemy-ի ամբողջական դասընթաց անվճար։

Ինչ դուք կսովորեք

Վարպետ մեքենայական ուսուցում Python & R-ի վրա

Ունեցեք հիանալի ինտուիցիա մեքենայական ուսուցման բազմաթիվ մոդելների նկատմամբ

Կատարեք ճշգրիտ կանխատեսումներ

Կատարեք հզոր վերլուծություն

Ստեղծեք մեքենայական ուսուցման ամուր մոդելներ

Ստեղծեք ուժեղ հավելյալ արժեք ձեր բիզնեսի համար

Օգտագործեք Machine Learning-ը անձնական նպատակների համար

Կառավարեք հատուկ թեմաներ, ինչպիսիք են ուժեղացման ուսուցումը, NLP-ն և Deep Learning-ը

Կառավարեք առաջադեմ տեխնիկան, ինչպիսին է Dimensionality Reduction-ը

Իմացեք, թե որ մեքենայական ուսուցման մոդելն ընտրել յուրաքանչյուր տեսակի խնդրի համար

Կառուցեք մեքենայական ուսուցման հզոր մոդելների բանակ և իմացեք, թե ինչպես դրանք համատեղել ցանկացած խնդիր լուծելու համար

Նկարագրություն

Հետաքրքրվա՞ծ եք մեքենայական ուսուցման ոլորտով: Ապա այս դասընթացը ձեզ համար է:

Այս դասընթացը մշակվել է երկու պրոֆեսիոնալ տվյալների գիտնականների կողմից, որպեսզի մենք կարողանանք կիսել մեր գիտելիքները և օգնել ձեզ սովորել բարդ տեսություն, ալգորիթմներ և կոդավորման գրադարաններ պարզ ձևով:

Մենք ձեզ քայլ առ քայլ կուղղենք դեպի մեքենայական ուսուցման աշխարհ: Յուրաքանչյուր ձեռնարկով դուք կզարգացնեք նոր հմտություններ և կբարելավեք ձեր պատկերացումները Տվյալների գիտության այս դժվարին, բայց եկամտաբեր ենթաոլորտի վերաբերյալ:

Այս դասընթացը զվարճալի և հետաքրքիր է, բայց միևնույն ժամանակ մենք խորը սուզվում ենք մեքենայական ուսուցման մեջ: Այն կառուցված է հետևյալ կերպ.

Մաս 1 - Տվյալների նախնական մշակում

Մաս 2 - Ռեգրեսիա. Պարզ գծային ռեգրեսիա, բազմակի գծային ռեգրեսիա, բազմանդամ ռեգրեսիա, SVR, որոշման ծառի ռեգրեսիա, պատահական անտառային ռեգրեսիա

Մաս 3 - Դասակարգում. լոգիստիկ ռեգրեսիա, K-NN, SVM, միջուկ SVM, միամիտ բեյս, որոշումների ծառի դասակարգում, պատահական անտառների դասակարգում

Մաս 4 - Կլաստերիավորում. K-միջոցներ, հիերարխիկ կլաստերավորում

Մաս 5 - Ասոցիացիայի կանոնների ուսուցում. Apriori, Eclat

Մաս 6 - Ամրապնդող ուսուցում. վստահության վերին սահման, Թոմփսոնի նմուշառում

Մաս 7. Բնական լեզվի մշակում. Բառերի փաթեթավորման մոդել և ալգորիթմներ NLP-ի համար

Մաս 8 - Խորը ուսուցում. Արհեստական ​​նեյրոնային ցանցեր, կոնվոլյուցիոն նեյրոնային ցանցեր

Մաս 9 - Չափերի կրճատում. PCA, LDA, Kernel PCA

Մաս 10 - մոդելի ընտրություն և խթանում. k-fold Cross Validation, Parameter Tuning, Grid Search, XGBoost

Ավելին, դասընթացը հագեցած է գործնական վարժություններով, որոնք հիմնված են իրական կյանքի օրինակների վրա: Այսպիսով, դուք ոչ միայն կսովորեք տեսությունը, այլ նաև գործնական պրակտիկա կստանաք՝ կառուցելով ձեր սեփական մոդելները:

Եվ որպես բոնուս, այս դասընթացը ներառում է ինչպես Python-ի, այնպես էլ R կոդի ձևանմուշներ, որոնք կարող եք ներբեռնել և օգտագործել ձեր սեփական նախագծերում:

Ում համար է այս դասընթացը.

Յուրաքանչյուրը, ով հետաքրքրված է մեքենայական ուսուցմամբ:

Աշակերտներ, ովքեր ունեն առնվազն ավագ դպրոցի գիտելիքներ մաթեմատիկայից և ովքեր ցանկանում են սկսել մեքենայական ուսուցում սովորել:

Ցանկացած միջանկյալ մակարդակի մարդիկ, ովքեր գիտեն մեքենայական ուսուցման հիմունքները, ներառյալ դասական ալգորիթմները, ինչպիսիք են գծային ռեգրեսիան կամ լոգիստիկ ռեգրեսիան, բայց ովքեր ցանկանում են ավելին իմանալ դրա մասին և ուսումնասիրել մեքենայական ուսուցման բոլոր տարբեր ոլորտները:

Բոլոր մարդիկ, ովքեր այնքան էլ հարմար չեն կոդավորման հարցում, բայց ովքեր հետաքրքրված են մեքենայական ուսուցմամբ և ցանկանում են այն հեշտությամբ կիրառել տվյալների հավաքածուներում:

Քոլեջի ցանկացած ուսանող, ովքեր ցանկանում են կարիերա սկսել Data Science-ում:

Տվյալների ցանկացած վերլուծաբան, ովքեր ցանկանում են բարձրանալ մեքենայական ուսուցման մակարդակը:

Ցանկացած մարդ, ով գոհ չէ իր աշխատանքից և ցանկանում է դառնալ տվյալների գիտնական:

Ցանկացած մարդ, ով ցանկանում է հավելյալ արժեք ստեղծել իր բիզնեսի համար՝ օգտագործելով մեքենայական ուսուցման հզոր գործիքներ: