[udemy]机器学习 A到Z™：数据科学中的 Python 和 R 实践 | Machine Learning A-Z™: Hands-On Python & R In Data Science

机器学习 A到Z™：数据科学中的 Python 和 R 实践

Machine Learning A-Z™: Hands-On Python & R In Data Science

向两位数据科学专家学习使用 Python 和 R 创建机器学习算法。包括代码模板。

您将学到什么

掌握 Python 和 R 上的机器学习
对许多机器学习模型有很好的直觉
做出准确的预测
做出强大的分析
制作强大的机器学习模型
为您的业务创造强大的附加值 将
机器学习用于个人目的
处理特定主题，如强化学习、NLP 和深度学习
处理降维等高级技术
知道为每种类型的问题选择哪种机器学习模型
建立强大的机器学习模型大军，并知道如何将它们结合起来解决任何问题

要求

只是一些高中数学水平。

描述

对机器学习领域感兴趣？那么本课程适合您！
本课程由两位专业的数据科学家设计，以便我们可以分享我们的知识并帮助您以简单的方式学习复杂的理论、算法和编码库。
我们将逐步带您进入机器学习的世界。在每个教程中，您都将发展新技能并提高您对数据科学这个具有挑战性但利润丰厚的子领域的理解。
这门课程既有趣又令人兴奋，但与此同时，我们深入研究了机器学习。它的结构如下
第 1 部分 – 数据预处理
第 2 部分 – 回归：简单线性回归、多元线性回归、多项式回归、SVR、决策树回归、随机森林回归
第 3 部分 – 分类：逻辑回归、K-NN、SVM、核 SVM、朴素贝叶斯、决策树分类、随机森林分类
第 4 部分 – 聚类：K-Means、层次聚类
第 5 部分 – 关联规则学习：Apriori、Eclat
第 6 部分 – 强化学习：置信上限、Thompson 采样
第 7 部分 – 自然语言处理：词袋模型和算法NLP
第 8 部分 – 深度学习：人工神经网络、卷积神经网络
第 9 部分 – 降维：PCA、LDA、内核 PCA
第 10 部分 – 模型选择和提升：k 折交叉验证、参数调整、网格搜索、XGBoost
此外，该课程还包含基于真实示例的实践练习。因此，您不仅会学习理论，还会获得一些动手实践来构建自己的模型。
作为奖励，本课程包括 Python 和 R 代码模板，您可以下载并在自己的项目中使用。
重要更新（2020 年 6 月）在
TENSORFLOW
2.0
顶级梯度提升模型中编码的所有最新深度学习代码，包括 XGBOOST 甚至 CATBOOST！

本课程适用于

任何对机器学习感兴趣的人。
至少具有高中数学知识并想开始学习机器学习的学生。
任何了解机器学习基础知识的中级人员，包括线性回归或逻辑回归等经典算法，但想进一步了解机器学习并探索机器学习的所有不同领域。
任何对编码不太满意但对机器学习感兴趣并希望将其轻松应用于数据集的人。
任何想要开始数据科学职业的大学学生。
任何想要在机器学习中升级的数据分析师。
任何对自己的工作不满意并想成为数据科学家的人。
任何想要通过使用强大的机器学习工具为他们的业务创造附加值的人。