Машинное обучение, Аризона: практический Python и R в науке о данных — MOOC — Udemy Подтвержденное объявление

Интересуетесь областью машинного обучения? Тогда этот курс для вас! Этот курс был разработан двумя профессиональными специалистами по данным, чтобы мы могли поделиться своими знаниями и помочь вам легко изучить сложные теории, алгоритмы и библиотеки кодирования.

Мы шаг за шагом проведем вас в мир машинного обучения.

С каждым учебным пособием вы будете развивать новые навыки и улучшать свое понимание этой сложной, но прибыльной области науки о данных.

Этот курс веселый и увлекательный, но в то же время мы углубляемся в машинное обучение.

Он структурирован следующим образом: Часть 1 — Предварительная обработка данных Часть 2 — Регрессия: простая линейная регрессия, множественная линейная регрессия, полиномиальная регрессия, SVR, регрессия дерева решений, регрессия случайного леса Часть 3 — Классификация: логистическая регрессия, K-NN, SVM, Kernel SVM, наивный байесовский анализ, классификация дерева решений, классификация случайного леса, часть 4 — кластеризация: K-средние, иерархическая кластеризация, часть 5 — обучение правилам ассоциации: априори, Eclat, часть 6 — обучение по подкреплению: верхний доверительный предел, выборка Томпсона, часть 7 — Обработка естественного языка: алгоритмы модели мешка слов для НЛП. Часть 8. Глубокое обучение: искусственные нейронные сети, сверточные нейронные сети. Часть 9. Снижение размерности: PCA, LDA, Core PC. -проверка, настройка параметров, поиск по сетке, XGBoost rso содержит практические упражнения, основанные на примерах из реальной жизни.

Таким образом, вы не только изучите теорию, но и попрактикуетесь в создании собственных моделей.

В качестве бонуса этот курс включает шаблоны Python и Rcode, которые вы можете скачать и использовать в своих проектах.

Основные обновления (июнь 2020 г.): ВСЕ АКТУАЛЬНЫЕ ОБУЧЕНИЯ EEP, ЗАКОДИРОВАННЫЕ НА TENSORFLOW .0 ЛУЧШИЕ МОДЕЛИ ПОВЫШЕНИЯ ГРАДИЕНТА, ВКЛЮЧАЯ XGBOOST И ДАЖЕ CATBOOST.