Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 25.763
- Реакции
- 323.232
Последние темы автора:
[Константин Михайлов] Послевоенная эпоха. Кризис начала 70-х (2024)
[Алёна Ковальчук] Ноги на миллион (2023)
[Бумажная лоза] Совместник по плетению овальной корзины с двухсторонним...
[Татьяна Поль] Родительский авторитет, границы и правила (2024)
[Влад Полагушин] Три дня про продвижение на wildberries (2024)
[Алёна Ковальчук] Ноги на миллион (2023)
[Бумажная лоза] Совместник по плетению овальной корзины с двухсторонним...
[Татьяна Поль] Родительский авторитет, границы и правила (2024)
[Влад Полагушин] Три дня про продвижение на wildberries (2024)
[Udemy] Учебный курс по машинному обучению под наблюдением (2022)
Почему вам стоит подумать о прохождении курса контролируемого машинного обучения?
Алгоритмы контролируемого машинного обучения, которые вы здесь изучите, являются одними из самых мощных инструментов обработки данных, необходимых для решения задач регрессии и классификации. Это бесценные навыки, которые каждый, кто хочет работать инженером по машинному обучению и специалистом по данным, должен иметь в своем наборе инструментов.
Наивный Байес, KNN, машины опорных векторов, деревья решений, случайные леса, регрессия гребня и лассо.
В этом курсе вы изучите теорию, лежащую в основе всех 6 алгоритмов, а затем примените свои навыки в практических примерах, адаптированных для каждого из них, используя библиотеку Python sci-kit learning.
Во-первых, мы рассмотрим наивный байесовский метод — мощный метод, основанный на байесовской статистике. Его сильной стороной является то, что он отлично справляется с выполнением задач в режиме реального времени. Некоторые из наиболее распространенных вариантов использования — это фильтрация спама по электронной почте, пометка неуместных комментариев в социальных сетях или выполнение анализа настроений. В курсе у нас есть практический пример того, как именно это работает, так что следите за обновлениями!
Далее идет K-ближайших соседей — один из наиболее широко используемых алгоритмов машинного обучения. Почему это? Из-за своей простоты при использовании метрик на основе расстояния для точных прогнозов.
Далее мы рассмотрим алгоритмы деревьев решений, которые послужат основой для нашей следующей темы, а именно случайных лесов. Они являются мощными учениками ансамбля, способными использовать мощь нескольких деревьев решений для получения точных прогнозов.
После этого мы познакомимся с машинами опорных векторов — классификационными и регрессионными моделями, способными использовать различные ядра для решения самых разных задач. В практической части этого раздела мы создадим модель для классификации грибов как ядовитых или съедобных. Захватывающе!
Наконец, вы узнаете о Ridge и Lasso Regression — это алгоритмы регуляризации, которые улучшают механизм линейной регрессии, ограничивая мощность отдельных функций и предотвращая переоснащение. Мы рассмотрим различия и сходства, а также плюсы и минусы обоих методов регрессии.
Каждый раздел этого курса организован единым образом для оптимального обучения:
– Начнем с фундаментальной теории для каждого алгоритма. Чтобы улучшить ваше понимание темы, мы проведем вас через теоретический случай, а также представим математические формулы, лежащие в основе алгоритма.
– Затем переходим к построению модели, чтобы решить с ее помощью практическую задачу. Это делается с помощью известной библиотеки Python sklearn.
– Мы анализируем производительность наших моделей с помощью таких показателей, как точность, достоверность, полнота и оценка F1.
– Мы также изучаем различные методы, такие как поиск по сетке и перекрестная проверка, чтобы улучшить производительность модели.
В довершение всего, у нас есть ряд дополнительных упражнений и викторин, чтобы вы могли улучшить свои навыки. Кроме того, мы также предлагаем исчерпывающие учебные материалы, которые помогут вам пройти курс, с которыми вы можете ознакомиться в любое время.
Уроки были созданы в уникальном стиле обучения 365, с которым многие из вас знакомы. Мы стремимся излагать сложные темы в простой для понимания форме, уделяя особое внимание практическому применению и визуальному обучению.
Благодаря силе анимации, вопросам викторины, упражнениям и хорошо продуманным конспектам курс контролируемого машинного обучения удовлетворит все ваши потребности в обучении.
Если вы хотите поднять свои навыки работы с данными на новый уровень и добавить в свое резюме востребованные инструменты, этот курс — идеальный выбор для вас.
Нажмите «Купить этот курс», чтобы продолжить свое путешествие по науке о данных уже сегодня!
Для кого этот курс:
Подробнее:
Почему вам стоит подумать о прохождении курса контролируемого машинного обучения?
Алгоритмы контролируемого машинного обучения, которые вы здесь изучите, являются одними из самых мощных инструментов обработки данных, необходимых для решения задач регрессии и классификации. Это бесценные навыки, которые каждый, кто хочет работать инженером по машинному обучению и специалистом по данным, должен иметь в своем наборе инструментов.
Наивный Байес, KNN, машины опорных векторов, деревья решений, случайные леса, регрессия гребня и лассо.
В этом курсе вы изучите теорию, лежащую в основе всех 6 алгоритмов, а затем примените свои навыки в практических примерах, адаптированных для каждого из них, используя библиотеку Python sci-kit learning.
Во-первых, мы рассмотрим наивный байесовский метод — мощный метод, основанный на байесовской статистике. Его сильной стороной является то, что он отлично справляется с выполнением задач в режиме реального времени. Некоторые из наиболее распространенных вариантов использования — это фильтрация спама по электронной почте, пометка неуместных комментариев в социальных сетях или выполнение анализа настроений. В курсе у нас есть практический пример того, как именно это работает, так что следите за обновлениями!
Далее идет K-ближайших соседей — один из наиболее широко используемых алгоритмов машинного обучения. Почему это? Из-за своей простоты при использовании метрик на основе расстояния для точных прогнозов.
Далее мы рассмотрим алгоритмы деревьев решений, которые послужат основой для нашей следующей темы, а именно случайных лесов. Они являются мощными учениками ансамбля, способными использовать мощь нескольких деревьев решений для получения точных прогнозов.
После этого мы познакомимся с машинами опорных векторов — классификационными и регрессионными моделями, способными использовать различные ядра для решения самых разных задач. В практической части этого раздела мы создадим модель для классификации грибов как ядовитых или съедобных. Захватывающе!
Наконец, вы узнаете о Ridge и Lasso Regression — это алгоритмы регуляризации, которые улучшают механизм линейной регрессии, ограничивая мощность отдельных функций и предотвращая переоснащение. Мы рассмотрим различия и сходства, а также плюсы и минусы обоих методов регрессии.
Каждый раздел этого курса организован единым образом для оптимального обучения:
– Начнем с фундаментальной теории для каждого алгоритма. Чтобы улучшить ваше понимание темы, мы проведем вас через теоретический случай, а также представим математические формулы, лежащие в основе алгоритма.
– Затем переходим к построению модели, чтобы решить с ее помощью практическую задачу. Это делается с помощью известной библиотеки Python sklearn.
– Мы анализируем производительность наших моделей с помощью таких показателей, как точность, достоверность, полнота и оценка F1.
– Мы также изучаем различные методы, такие как поиск по сетке и перекрестная проверка, чтобы улучшить производительность модели.
В довершение всего, у нас есть ряд дополнительных упражнений и викторин, чтобы вы могли улучшить свои навыки. Кроме того, мы также предлагаем исчерпывающие учебные материалы, которые помогут вам пройти курс, с которыми вы можете ознакомиться в любое время.
Уроки были созданы в уникальном стиле обучения 365, с которым многие из вас знакомы. Мы стремимся излагать сложные темы в простой для понимания форме, уделяя особое внимание практическому применению и визуальному обучению.
Благодаря силе анимации, вопросам викторины, упражнениям и хорошо продуманным конспектам курс контролируемого машинного обучения удовлетворит все ваши потребности в обучении.
Если вы хотите поднять свои навыки работы с данными на новый уровень и добавить в свое резюме востребованные инструменты, этот курс — идеальный выбор для вас.
Нажмите «Купить этот курс», чтобы продолжить свое путешествие по науке о данных уже сегодня!
Для кого этот курс:
- Начинающие специалисты по данным и инженеры по машинному обучению
- Специалисты по данным и аналитики данных хотят повысить свои навыки
- Всем, кто хочет получить представление о сфере машинного обучения и его широких возможностях.
- Курс открыт для всех, кто хочет изучать науку о данных.
- Вам потребуется установить Anaconda и Jupyter Notebook. Мы покажем вам, как это сделать шаг за шагом.
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
