Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 24.916
- Реакции
- 305.055
Последние темы автора:
[Центр Практика] История образов. Научные данные (2024)
[Психометрика] Особенности работы с женщинами - родственниками участников...
[Павел Дементьев] Таро. Ключи реальности Восьмёрка Мечей (2024)
[Мария Липская] Vegan Зефир (2023)
[Сергей Оларь] Базовый курс Нейвóк для создания легкой походки (2024)[Сергей...
[Психометрика] Особенности работы с женщинами - родственниками участников...
[Павел Дементьев] Таро. Ключи реальности Восьмёрка Мечей (2024)
[Мария Липская] Vegan Зефир (2023)
[Сергей Оларь] Базовый курс Нейвóк для создания легкой походки (2024)[Сергей...
[coursera] Прикладное машинное обучение на Python (2022)
Этот курс познакомит учащегося с прикладным машинным обучением, сосредоточив внимание больше на методах и методах, чем на статистике, лежащей в основе этих методов. Курс начнется с обсуждения того, чем машинное обучение отличается от описательной статистики, и представит набор инструментов для обучения scikit.
Будет обсуждаться вопрос размерности данных, и будет решаться задача кластеризации данных, а также оценка этих кластеров. Будут описаны контролируемые подходы к созданию прогностических моделей, и учащиеся смогут применять методы прогностического моделирования scikit Learn, одновременно понимая проблемы процесса, связанные с обобщаемостью данных (например, перекрестная проверка, переобучение). Курс завершится рассмотрением более продвинутых методов, таких как построение ансамблей, и практических ограничений прогностических моделей. К концу этого курса студенты смогут определить разницу между контролируемым (классификация) и неконтролируемым (кластеризация) методами, определить, какой метод им нужно применить для конкретного набора данных и потребности, разработать функции для удовлетворения этой потребности и написать код Python для проведения анализа.
Этот курс следует пройти после введения в науку о данных в Python и прикладного построения графиков, диаграмм и представления данных в Python и перед прикладным анализом текста в Python и прикладным социальным анализом в Python.
Материал на английском языке
Подробнее:
Этот курс познакомит учащегося с прикладным машинным обучением, сосредоточив внимание больше на методах и методах, чем на статистике, лежащей в основе этих методов. Курс начнется с обсуждения того, чем машинное обучение отличается от описательной статистики, и представит набор инструментов для обучения scikit.
Будет обсуждаться вопрос размерности данных, и будет решаться задача кластеризации данных, а также оценка этих кластеров. Будут описаны контролируемые подходы к созданию прогностических моделей, и учащиеся смогут применять методы прогностического моделирования scikit Learn, одновременно понимая проблемы процесса, связанные с обобщаемостью данных (например, перекрестная проверка, переобучение). Курс завершится рассмотрением более продвинутых методов, таких как построение ансамблей, и практических ограничений прогностических моделей. К концу этого курса студенты смогут определить разницу между контролируемым (классификация) и неконтролируемым (кластеризация) методами, определить, какой метод им нужно применить для конкретного набора данных и потребности, разработать функции для удовлетворения этой потребности и написать код Python для проведения анализа.
Этот курс следует пройти после введения в науку о данных в Python и прикладного построения графиков, диаграмм и представления данных в Python и перед прикладным анализом текста в Python и прикладным социальным анализом в Python.
Материал на английском языке
Подробнее:
Скачать:Для просмотра ссылок необходимо выполнить Вход или Регистрация
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.