价值$10.99的人工智能教程国外教程

Lucas丶thanos · 发表于 2019-5-24 15:07

〖课程介绍〗:
      本课程由两位专业数据科学家设计，让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。' ~+ w+ n- N0 y5 z' B
      我们将一步步走进机器学习的世界。通过每一篇教程，您将开发新的技能，并提高您对数据科学这一富有挑战性但又有利可图的子领域的理解。
      这门课既有趣又令人兴奋，但同时我们也深入研究机器学习。它的结构如下:
      包含了基于现实生活例子的实践练习。因此，你不仅会学习理论，还会得到一些建立自己模型的实践。: |* C  t% x) e# P
      包括Python和R代码模板，您可以在自己的项目中下载和使用它们。! H7 `- g' Z. V6 V8 I2 H
      目标受众是谁?
            任何对机器学习感兴趣的人。
            学生在数学方面至少有高中的知识，他们想要开始学习机器学习。8 o: C! o' @5 A" M4 {
            任何中级水平的人都知道机器学习的基础，包括经典的算法，如线性回归或逻辑回归，但是他们想要更多地了解它并探索机器学习的所有不同领域。5 T3 u. q+ u0 M4 ]9 P
            任何对编码不太熟悉但对机器学习感兴趣并且想在数据集中轻松应用的人。" L: t( p  z% s8 i' b% v; E7 f
            任何想要开始从事数据科学的大学生。
            任何想提高机器学习水平的数据分析师。! i# h$ |! T: m; l& r6 X/ _0 \
            任何对自己的工作不满意，想成为数据科学家的人。
            任何想通过使用强大的机器学习工具为业务创造附加值的人。2 p" V* b# s8 n0 X* J& |
, q- L9 ^' r, u+ G* n
〖课程目录〗:
      第1部分-数据预处理3 ?, O0 q. @! Q1 X- S( W; |
      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) g9 @0 Q  N2 R- A/ B
      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:上置信界，汤普森抽样
      第7部分-自然语言处理:NLP的词袋模型和算法7 H; Q* Y2 a- m
      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，核PCA
      第10部分-模型选择和推进:k-fold交叉验证、参数调优、网格搜索、XGBoost

游客，如果您要查看本帖隐藏内容请回复