Аноним
Маска Организаторов
- Сообщения
- Монеты
- +89.5
- Оплачено
- 5
- Купоны
- 0
- Кешбэк
- 0
- Баллы
- 0
- @Skladchiki
- #1
Складчина: [Udemy] Машинное обучение с использованием программирования на Python (Sujithkumar MA)
- Ссылка на картинку
-
Machine Learning using Python Programming
Изучите основные концепции машинного обучения и его алгоритмов, а также способы их реализации в Python 3.
Чему вы научитесь:
«Машинное обучение — это то, как машина с искусственным интеллектом учится, как человек»
Добро пожаловать на курс по машинному обучению и его реализации с использованием Python 3. Как следует из названия, в этом курсе рекомендуется иметь базовые знания в Python 3, чтобы легко понять часть реализации, но это не обязательно.
Этот курс содержит обширное содержание основных концепций ML, таких как его функции, шаги, связанные с созданием модели ML - предварительная обработка данных, точная настройка модели, переоснащение, недообучение, смещение, дисперсия, матрица путаницы и показатели производительности модели ML. Мы поймем важность многих методов предварительной обработки, таких как бинаризация, MinMaxScaler, Standard Scaler.
Мы можем реализовать многие алгоритмы машинного обучения на Python, используя библиотеку scikit-learn, всего за несколько строк. Разве мы не можем? Тем не менее, это не поможет нам понять алгоритмы. Следовательно, в этом курсе мы сначала рассмотрим понимание математики и концепций, лежащих в основе алгоритмов, а затем реализуем то же самое на Python. Мы также визуализируем алгоритмы, чтобы сделать их более интересными.
Алгоритмы, которые мы будем обсуждать в этом курсе:
1. Линейная регрессия
2. Логистическая регрессия
3. Машины опорных векторов
4. Классификатор КНН
5. Регрессор КНН
6. Дерево решений
7. Классификатор случайного леса
8. Наивный байесовский классификатор
9. Кластеризация
И так далее. Мы будем сравнивать результаты всех алгоритмов и делать хороший аналитический подход. Чего же ты ждешь?
Для кого этот курс:
Русские субтитры - машинный перевод.
Изучите основные концепции машинного обучения и его алгоритмов, а также способы их реализации в Python 3.
Чему вы научитесь:
- Алгоритмы и терминология машинного обучения
- Искусственный интеллект
- Библиотеки Python — Numpy, Pandas, Scikit-learn, Matplotlib, Seaborn
- Да, базовые знания Python приветствуются.
«Машинное обучение — это то, как машина с искусственным интеллектом учится, как человек»
Добро пожаловать на курс по машинному обучению и его реализации с использованием Python 3. Как следует из названия, в этом курсе рекомендуется иметь базовые знания в Python 3, чтобы легко понять часть реализации, но это не обязательно.
Этот курс содержит обширное содержание основных концепций ML, таких как его функции, шаги, связанные с созданием модели ML - предварительная обработка данных, точная настройка модели, переоснащение, недообучение, смещение, дисперсия, матрица путаницы и показатели производительности модели ML. Мы поймем важность многих методов предварительной обработки, таких как бинаризация, MinMaxScaler, Standard Scaler.
Мы можем реализовать многие алгоритмы машинного обучения на Python, используя библиотеку scikit-learn, всего за несколько строк. Разве мы не можем? Тем не менее, это не поможет нам понять алгоритмы. Следовательно, в этом курсе мы сначала рассмотрим понимание математики и концепций, лежащих в основе алгоритмов, а затем реализуем то же самое на Python. Мы также визуализируем алгоритмы, чтобы сделать их более интересными.
Алгоритмы, которые мы будем обсуждать в этом курсе:
1. Линейная регрессия
2. Логистическая регрессия
3. Машины опорных векторов
4. Классификатор КНН
5. Регрессор КНН
6. Дерево решений
7. Классификатор случайного леса
8. Наивный байесовский классификатор
9. Кластеризация
И так далее. Мы будем сравнивать результаты всех алгоритмов и делать хороший аналитический подход. Чего же ты ждешь?
Для кого этот курс:
- Начинающие Python-разработчики
Русские субтитры - машинный перевод.
