|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/calculadoras-web-con-modelos-machine-learning-en-python/
课程评论：没有评论
课程名称：使用Python的机器学习模型构建网页计算器 课程概述：本课程旨在为数据爱好者、求职者、学生及专业人士提供一个全面的学习平台，帮助他们提升数据分析技能，通过开发网页应用程序展示机器学习模型。课程从基础知识入手，确保即使是初学者也能轻松跟上内容进度。学员将学习如何使用Scikit-Learn这一流行的Python库进行机器学习模型的训练和导出，并逐步了解如何加载模型和模拟后端，使其网页应用更具动态性和互动性。 课程将介绍机器学习模型的训练、导出及后端模拟，随后学员会掌握如何使用Streamlit这一强大的框架创建直观的网页计算器，包括从基本设置到在Streamlit Share上实现应用的全过程。最后，课程深入讲解SHAP（Shapley加法解释），探索多种可视化技术以解释模型预测，学员将学习如何处理基于变量平均值的动态默认值、遵循DRY（不重复自己）等最佳编码实践。 在课程的最终部分，重点将放在构建强大的数据预处理和建模管道上，学员将通过处理输入值来使表单更具动态性，并模拟使用管道的后端过程。完成此课程后，学员将具备开发和实施综合网页应用的能力，以便有效利用机器学习模型，大大增强个人作品集和专业能力。加入我们，把你的数据科学项目转变为功能完备的网页应用，利用Streamlit和Scikit-Learn展现你的才华！
Este curso integral está diseñado para entusiastas de los datos, buscadores de empleo, estudiantes y profesionales que desean llevar sus habilidades de análisis de datos al siguiente nivel desarrollando aplicaciones web que muestren sus modelos de machine learning.En este curso, comenzaremos desde lo básico, asegurándonos de que incluso los principiantes puedan seguir el contenido cómodamente. Aprenderás a entrenar y exportar modelos de machine learning utilizando Scikit-Learn, una de las bibliotecas más populares en el ecosistema de Python. Te guiaremos a través de la carga de estos modelos y la simulación de un backend para hacer que tus aplicaciones web sean dinámicas e interactivas.Nuestra travesía comienza con una introducción al entrenamiento, exportación y simulación de backend de modelos de machine learning. Luego, aprenderás a crear calculadoras web intuitivas utilizando Streamlit, un potente framework que simplifica el desarrollo de aplicaciones de datos. Cubriremos todo, desde la configuración básica hasta la implementación de tus aplicaciones en Streamlit Share, haciendo que tu trabajo sea accesible a una audiencia más amplia.A continuación, profundizaremos en SHAP (Shapley Additive exPlanations), donde explorarás varias técnicas de visualización para explicar las predicciones de tu modelo. Aprenderás a simular procesos de backend, manejar valores dinámicos por defecto basados en promedios de variables, y seguir las mejores prácticas de codificación como DRY (No te repitas).En la sección final, nos centraremos en construir robustos pipelines para el preprocesamiento y modelado. Ganarás experiencia práctica procesando valores de entrada para hacer tus formularios más dinámicos y simulando procesos de backend con pipelines. Al final de este curso, tendrás las habilidades para desarrollar e implementar aplicaciones web completas que aprovechen modelos de machine learning, proporcionando un impulso significativo a tu portafolio y capacidades profesionales.Vente y transforma tus proyectos de ciencia de datos en aplicaciones web totalmente funcionales con Streamlit y Scikit-Learn.
