|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ciencia-de-datos-en-python-en-7-dias/
课程评论：没有评论
Coursera课程“7天掌握Python数据科学（2024新版）”是一门旨在快速、高效、实践性地带领学员入门数据科学领域的课程。 课程涵盖了数据科学的核心概念，包括数据科学项目生命周期、招聘者关注点及可用职位。学员将学习使用Pandas、Matplotlib和Seaborn进行探索性数据分析和可视化。 课程深入讲解回归模型，包括构建、训练、测试和部署，并使用Scikit-Learn库实践。此外，还将学习超参数优化技术，如网格搜索、随机搜索和贝叶斯优化。 在分类算法方面，课程将教授如何使用SageMaker和Scikit-Learn训练逻辑回归、支持向量机、K近邻、随机森林和朴素贝叶斯等模型。 课程的另一亮点是AutoGluon在AutoML中的应用，学员将学习如何创建和部署多个AI/ML模型原型。 课程结构为期一周，每天投入1-2小时，通过任务、测验和最终项目提供丰富的实践机会。 加入本课程，即可快速有效地掌握数据科学技能，抓住行业机遇。
¡Data Science es ahora uno de los campos de la tecnología más candentes para estar! Este campo está lleno de oportunidades y perspectivas profesionales.La Ciencia de Datos está muy extendida en muchos sectores, como la banca, la sanidad, el transporte y la tecnología. En los negocios, la Ciencia de Datos se aplica para optimizar los procesos empresariales, maximizar los ingresos y reducir los costes.Este curso tiene como objetivo proporcionarte el conocimiento de los aspectos críticos de la Ciencia de Datos en una semana y de una manera práctica, fácil, rápida y eficiente.Este curso es único y excepcional en muchos aspectos. Incluye varias oportunidades de práctica en forma de tareas, cuestionarios y proyectos finales.Cada día, pasaremos de 1 a 2 horas juntos y dominaremos un tema de Ciencia de Datos.En primer lugar, vamos a empezar con el paquete de inicio esencial de Ciencia de Datos y dominar los conceptos clave de Data Science, incluyendo el ciclo de vida del proyecto de Ciencia de Datos, lo que buscan los reclutadores y qué puestos de trabajo están disponibles.A continuación, comprenderemos el análisis exploratorio de datos y las técnicas de visualización utilizando las bibliotecas Pandas, Matplotlib y Seaborn.En la siguiente sección, aprenderemos los fundamentos de la regresión. Veremos cómo construir, entrenar, probar y desplegar modelos de regresión utilizando la biblioteca Scikit-Learn.Para continuar, aprenderemos sobre estrategias de optimización de hiperparámetros, como la búsqueda en cuadrícula, la búsqueda aleatoria y la optimización bayesiana.A continuación, aprenderemos a entrenar varios algoritmos de clasificación como la regresión logística, la máquina de vectores de soporte, K-Nearest Neighbors, el clasificador Random Forest y Naïve Bayes utilizando las bibliotecas SageMaker y Scikit-Learn.Seguiremos cubriendo la Ciencia de Datos en AutoPilot. Aprenderemos a usar la librería AutoGluon para crear prototipos de múltiples modelos AI/ML y desplegar el mejor.Echa un vistazo a los vídeos de vista previa y al esquema para hacerte una idea de los proyectos que cubriremos.¡Apúntate hoy y aprovechemos juntos el poder de la Ciencia de Datos!¡Nos vemos en clase!
