|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/conceitos-de-ds-e-ml-para-problemas-cientificos/
课程评论：没有评论
课程名称：面向科学问题的数据科学与机器学习概念 课程概述： 本课程“面向自然科学的数据科学与机器学习原理”旨在将传统的科学学科与快速发展的数据科学（DS）和机器学习（ML）领域相结合。随着研究越来越依赖于大型数据集和先进的计算方法，科学家们掌握如何运用DS和ML技术来提升其工作变得至关重要。 本课程为科学家和研究人员（如生物学、化学、物理学和环境科学领域）提供数据科学和机器学习关键概念的入门介绍。您将学习数据分析的基础知识，包括数据处理和可视化，然后深入学习机器学习算法，这些算法有助于识别数据中的模式并做出预测。 该课程无需任何编程知识，主要侧重于基础理论概念。课程结构分为六个主要部分： 1. **引言**：介绍课程、主要特点、内容以及如何学习。 2. **DS/ML基础概念**：涵盖变量、数据缩放、训练、数据集和数据可视化等基本概念。 3. **分类**：讨论决策树、随机森林、朴素贝叶斯和K近邻（KNN）等主要的分类算法，并提供在科学研究中的应用示例。 4. **回归**：简要介绍线性回归和多元回归，讨论核心概念，并为科学领域提供相关示例。 5. **聚类（Clustering）**：重点介绍标准聚类和层次聚类方法，并提供科学应用中的实际案例。 6. **神经网络**：最后介绍神经网络，讨论其生物学灵感和常见架构，如前馈神经网络（FNN）、卷积神经网络（CNN）、循环神经网络（RNN）和霍普菲尔德网络。
O curso "Princípios de Ciência de Dados e Aprendizado de Máquina para Ciências Naturais" foi desenvolvido para conectar disciplinas científicas tradicionais aos campos em rápido crescimento da Ciência de Dados (DS) e do Aprendizado de Máquina (ML). À medida que a pesquisa depende cada vez mais de grandes conjuntos de dados e métodos computacionais avançados, torna-se essencial que cientistas saibam como utilizar técnicas de DS e ML para melhorar seu trabalho.Este curso oferece uma introdução aos conceitos-chave de Ciência de Dados e Aprendizado de Máquina, especificamente voltados para cientistas e pesquisadores em áreas como Biologia, Química, Física e Ciências Ambientais. Você aprenderá os fundamentos da análise de dados, incluindo tratamento e visualização de dados, antes de avançar para algoritmos de aprendizado de máquina que ajudam a identificar padrões e fazer previsões a partir dos dados.O curso não exige conhecimentos prévios em programação e foca nos conceitos teóricos fundamentais. Ele está estruturado em seis seções principais:IntroduçãoComeçaremos apresentando o curso, cobrindo suas principais características, conteúdo e como acompanhar as aulas.Conceitos Básicos de DS/MLAbordaremos conceitos fundamentais como variáveis, escalonamento de dados, treinamento, conjuntos de dados e visualização de dados.ClassificaçãoNesta seção, discutiremos os principais algoritmos de classificação, como árvores de decisão, florestas aleatórias, Naïve Bayes e KNN, com exemplos de como podem ser aplicados na pesquisa científica.RegressãoFaremos uma breve introdução à regressão linear e múltipla, discutindo os conceitos principais e fornecendo exemplos relevantes para as ciências.Agrupamento (Clustering)Esta seção se concentrará em métodos de agrupamento padrão e hierárquico, juntamente com exemplos práticos para aplicações científicas.Redes NeuraisPor fim, introduziremos redes neurais, discutindo sua inspiração biológica e arquiteturas comuns, como Redes Neurais Feedforward (FNN), Redes Neurais Convolucionais (CNN), Redes Neurais Recorrentes (RNN) e Redes Hopfield.
