Изучите основные концепции машинного обучения и его алгоритмов, а также способы их реализации в Python 3.
Чему вы научитесь:
Алгоритмы и терминология машинного обучения
Искусственный интеллект
Библиотеки Python — Numpy, Pandas, Scikit-learn, Matplotlib, Seaborn
Требования:
Да, базовые знания Python приветствуются.
Описание:
«Машинное обучение — это то, как машина с искусственным интеллектом учится, как человек»
Добро пожаловать на курс по машинному обучению и его реализации с использованием Python 3. Как следует из названия, в этом курсе рекомендуется иметь базовые знания в Python 3, чтобы легко понять часть реализации, но это не обязательно.
Этот курс содержит обширное содержание основных концепций ML, таких как его функции, шаги, связанные с созданием модели ML - предварительная обработка данных, точная настройка модели, переоснащение, недообучение, смещение, дисперсия, матрица путаницы и показатели производительности модели ML. Мы поймем важность многих методов предварительной обработки, таких как бинаризация, MinMaxScaler, Standard Scaler.
Мы можем реализовать многие алгоритмы машинного обучения на Python, используя библиотеку scikit-learn, всего за несколько строк. Разве мы не можем? Тем не менее, это не поможет нам понять алгоритмы. Следовательно, в этом курсе мы сначала рассмотрим понимание математики и концепций, лежащих в основе алгоритмов, а затем реализуем то же самое на Python. Мы также визуализируем алгоритмы, чтобы сделать их более интересными.
Алгоритмы, которые мы будем обсуждать в этом курсе: