Robot
Складчик
- #1
[Udemy] Машинное обучение в Python: Machine Learning & Data Science [Jose Portilla, Влад Бурмистров]
- Ссылка на картинку
Добро пожаловать на самый полный курс по Машинному Обучению и Data Science!
Этот курс - лучший способ начать с нуля и стать специалистом по data science и машинному обучению с помощью Python.
Это русскоязычная версия курса, который Хосе и его команда готовили больше года. И это уже после того, как предыдущие курсы прошли более 2 миллионов слушателей.
Этот объёмный курс может заменить Вам целый набор других курсов, которые могут стоить в десятки раз больше.
В этом курсе Вы изучите следующие темы:
- Программирование в Python (экспресс-курс)
- NumPy в Python
- Детальное изучение Pandas для анализа и предварительной обработки данных
- Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)
- Машинное обучение с помощью SciKit Learn, включая следующие темы:
-- Linear Regression - Линейная Регрессия;
-- Regularization - Регуляризация;
-- Lasso Regression - Лассо-Регрессия;
-- Ridge Regression - Ридж-Регрессия;
-- Регуляризация Elastic Net;
-- Logistic Regression - Логистическая регрессия;
-- K Nearest Neighbors - Метод К-ближайших соседей;
-- Decision Trees - Деревья решений;
-- Random Forests - Случайные леса;
-- AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг;
-- Natural Language Processing - Обработка языковых данных;
-- K Means Clustering - Кластеризация К-средних;
-- Hierarchical Clustering - Иерархическая кластеризация;
-- DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных;
-- PCA - Principal Component Analysis - Метод главных компонент;
-- И многое, многое другое!
Внутри курса находится набор блокнотов Jupyter Notebook на русском языке с примерами кода и детальным описанием. Для каждого лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что, Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить, или быстро пробежаться по материалу в поисках нужной информации.
Объем: 14.29 Гб.
Этот курс - лучший способ начать с нуля и стать специалистом по data science и машинному обучению с помощью Python.
Это русскоязычная версия курса, который Хосе и его команда готовили больше года. И это уже после того, как предыдущие курсы прошли более 2 миллионов слушателей.
Этот объёмный курс может заменить Вам целый набор других курсов, которые могут стоить в десятки раз больше.
В этом курсе Вы изучите следующие темы:
- Программирование в Python (экспресс-курс)
- NumPy в Python
- Детальное изучение Pandas для анализа и предварительной обработки данных
- Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)
- Машинное обучение с помощью SciKit Learn, включая следующие темы:
-- Linear Regression - Линейная Регрессия;
-- Regularization - Регуляризация;
-- Lasso Regression - Лассо-Регрессия;
-- Ridge Regression - Ридж-Регрессия;
-- Регуляризация Elastic Net;
-- Logistic Regression - Логистическая регрессия;
-- K Nearest Neighbors - Метод К-ближайших соседей;
-- Decision Trees - Деревья решений;
-- Random Forests - Случайные леса;
-- AdaBoost, GradientBoosting - Адаптивный бустинг, Градиентный бустинг;
-- Natural Language Processing - Обработка языковых данных;
-- K Means Clustering - Кластеризация К-средних;
-- Hierarchical Clustering - Иерархическая кластеризация;
-- DBSCAN (Density-based spatial clustering of applications with noise) - Кластеризация на основе плотности данных;
-- PCA - Principal Component Analysis - Метод главных компонент;
-- И многое, многое другое!
Внутри курса находится набор блокнотов Jupyter Notebook на русском языке с примерами кода и детальным описанием. Для каждого лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что, Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить, или быстро пробежаться по материалу в поисках нужной информации.
Объем: 14.29 Гб.