Kurs Machine Learning w Python - wprowadzenie do sztucznej inteligencji - wersja ON-LINE

Produkt nie jest dostępny do zakupu w naszym sklepie. Kurs można nabyć za pośrednictwem strony Strefy Kursów - sprawdź!Opis produktu: Kurs Machine Learning w Python - wprowadzenie do sztucznej inteligencji - wersja On-Line

Kurs On-Line przeznaczony dla osób, które mają już doświadczenie w programowaniu, chcą tworzyć inteligentne systemy, które same będą wyciągać wnioski z zebranych danych. Zdobędziesz praktyczne umiejętności oraz dowiesz się jak:

* rozróżnić Machine Learning od AI

* obsługiwać bibliotekę Data Science dla Python

* przewidywać wartości numeryczne z pomocą metod regresji

* automatycznie klasyfikować obiekty

* kodować dane na potrzeby algorytmów Machine Learning

* zmniejszać wymiarowość danych

* monitorować jakość stworzonych modeli

Instrukcję pobrania oraz kod otrzymasz od nas na podany podczas składania zamówienia adres e-mail najpóźniej w następnym dniu roboczym po otrzymaniu wpłaty.AI oraz Machine Learning

Podczas szkolenia dowiesz się jak obecnie wygląda AI i dlaczego Machine Learning piszemy najczęściej w Pythonie. Poznasz podobieństwa między sztuczną inteligencją oraz Machine Learning. Nauczysz się wykorzystywania możliwości uczenia maszynowego i AI do rozwiązywania realnych problemów.Zebranie potrzebnych danych dla algorytmów

Machine Learning opiera się na danych i aby móc je wykorzystać należy nadać im właściwą strukturę. Wtedy można mówić o tym, że algorytmy będą mogły się z nich uczyć i wyciągać odpowiednie wnioski. W trakcie szkolenia poznasz różne typy danych, czym jest overfitting, underfitting, ekstrakcja cech uczących, jak sobie radzić z uzupełnianiem brakujących danych oraz jak wyglądają wzorce pisania kodu.Badanie i wizualizacja danych

W trakcie kursu poznasz sposoby wizualizacji danych, które pomogą Ci w późniejszych prezentacjach przedstawić w ciekawy sposób swoje racje. Przetestujesz nowe typy wykresów, przećwiczysz korelacje danych, zaczniesz wybierać tylko te, które będą we właściwej sytuacji najważniejsze.Klastrowanie, klasyfikacja i regresja

Szkolenie pomoże Ci w nauce, ponieważ zawiera dużo praktycznych przykładów. Stworzysz trzy projekty, w których rozwiniesz modele dla swoich danych. Przekonasz się, że stosując regresję liniową uda się wyciągnąć właściwe wnioski odnośnie jakości na podstawie podanych wcześniej parametrów. Zobaczysz w jaki sposób można korzystać z klastrowania aby trafnie określić szanse i prawdopodobieństwo oraz jak wykorzystać klasyfikację binarną na konkretnym przykładzie.

Dodatkowe informacje

Aby przystąpić do kursu i w pełni wykorzystać wszystkie informacje, należy posiadać podstawowe umiejętności posługiwania się językiem Python. Powinieneś orientować się w temacie pętli, instrukcji warunkowych, programowania obiektowego. Polecamy zapoznać się z kursem Fundamenty programowania w języku Python.

Spis treści 1. Wprowadzenie

* Wstęp 00 m 29 s

* Jak korzystać z materiałów? 03 m 51 s

* Machine Learning a Sztuczna Inteligencja 09 m 24 s

* Problemy, które można rozwiązać za pomocą ML 12 m 08 s

* Przegląd narzędzi, z jakich będziemy korzystać 12 m 02 s

2. Przygotowanie danych dla algorytmów ML

* Podstawowy schemat uczenia modeli 09 m 41 s

* Overfitting i underfitting 05 m 19 s

* Ramki danych i podstawowe operacje na nich 17 m 14 s

* Typy danych i sposoby ich reprezentacji 15 m 30 s

* Strategie uzupełniania brakujących danych 12 m 41 s

* Dane relacyjne, a ramki danych 19 m 13 s

* Ekstrakcja cech uczących 08 m 19 s

* Wzorce pisania kodu 13 m 19 s

3. Analiza i wizualizacja danych

* Typy wykresów 22 m 08 s

* Korelacja danych 12 m 05 s

* Redukcja wymiarowości danych 14 m 13 s

4. Regresja

* Jakie problemy rozwiązują metody regresji? 09 m 32 s

* Zbiór danych: jakość wina 14 m 22 s

* Wstępna obróbka danych 09 m 16 s - zobacz darmową lekcję

* Regresja liniowa w 2D 15 m 59 s

* Pomiar jakości modeli regresji 16 m 34 s

* Wpływ skalowania zmiennych na model 10 m 00 s

* Regresja liniowa wielu zmiennych 08 m 11 s

* Wnioskowanie na podstawie nauczonego modelu 07 m 38 s

* Regularyzacja typu Lasso i Ridge 14 m 26 s

* Metody liniowe, a nieliniowe 05 m 58 s

* Regresja wielomianowa 15 m 37 s

* Przegląd innych modeli regresji 07 m 48 s

5. Klasyfikacja binarna

* Czym jest klasyfikacja? 06 m 18 s

* Zbiór danych: spłata karty kredytowej 15 m 34 s

* Przygotowanie danych do klasyfikacji 12 m 14 s

* Regresja logistyczna w 2D 14 m 13 s

* Metryki specyficzne dla klasyfikacji binarnej 24 m 19 s

* Regresja logistyczna wielu zmiennych 13 m 12 s

* Analiza cech istotnych dla modelu 04 m 55 s

* K-Nearest Neighbours 08 m 41 s - zobacz darmową lekcję

* Wykorzystanie KNN do klasyfikacji 09 m 34 s

* Support Vector Machine 11 m 16 s

* Klasyfikacja za pomocą SVM 06 m 42 s

* Strategie dla klasyfikacji wieloklasowej 09 m 13 s

* Inne popularne metody klasyfikacji 08 m 05 s

6. Klastrowanie

* Do czego służy klastrowanie? 08 m 30 s

* Kategoryzacja za pomocą K-Means w 2D 17 m 56 s

* Zbiór danych: Titanic 12 m 43 s

* Kategoryzacja wielowymiarowa 10 m 28 s

* Pomiar jakości klastrowania 13 m 19 s

* Pozostałe metody klastrowania 05 m 20 s - zobacz darmową lekcję

7. Dobre praktyki

* Testowanie modeli ML 05 m 01 s

* Zakończenie 01 m 29 s