Praktyczne podstawy uczenia maszynowego przy użyciu Pythona

Uczenie maszynowe to podstawowa technologia napędzająca nowoczesną sztuczną inteligencję, ale rozpoczęcie pracy wymaga solidnego zrozumienia podstawowych pojęć i praktycznych umiejętności wdrażania. Ten kurs zapewnia jasne, krok po kroku wprowadzenie do podstawowych pojęć i algorytmów uczenia się nadzorowanego i nienadzorowanego. Przejdziesz od zrozumienia teoretycznych podstaw ML do zastosowania tych technik do rozwiązywania typowych wyzwań związanych z nauką o danych przy użyciu standardowych bibliotek Pythona. Czego się nauczysz: * Zrozumieć podstawowe różnice między nadzorowanymi, nienadzorowanymi i wzmacniającymi paradygmatami uczenia się. * Zastosuj podstawowe algorytmy, takie jak regresja liniowa, regresja logistyczna, drzewa decyzyjne i klasterowanie K-Means. * Ćwicz czyszczenie, przygotowywanie i przekształcanie danych z życia rzeczywistego specjalnie do spożywania modelu uczenia maszynowego. * Ocena wydajności modelu za pomocą krytycznych wskaźników, takich jak precyzja, przypomnienie, F1-score i krzywe ROC. * Skonfiguruj podstawowe potoki modeli i poznaj metody zapisywania i ładowania wyszkolonych modeli do przyszłego użytku. * Budowanie kompletnych, działających skryptów Pythona do rozwiązywania problemów klasyfikacji i regresji przy użyciu rzeczywistych danych. Kurs rozpoczyna się od zdefiniowania kluczowej terminologii i skonfigurowania środowiska Pythona. Następnie będziesz systematycznie badać algorytmy podstawowe, którym towarzyszą praktyczne, pisemne ćwiczenia koncentrujące się na przygotowaniu danych, szkoleniu i obiektywnej ocenie modelu. Ten kurs jest przeznaczony specjalnie dla początkujących bez wcześniejszego doświadczenia w uczeniu maszynowym. Podstawowa znajomość składni Pythona jest pomocna, ale nie jest ściśle wymagana. Rozpocznij swoją podróż do nauki o danych i sztucznej inteligencji już dziś, opanowując podstawy uczenia maszynowego.