|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/corso-completo-di-data-science-con-r/
课程评论：没有评论
课程名称：完整数据科学与机器学习课程（使用R语言） 课程概述： 本课程旨在提供一个全面的数据科学学习路径，帮助学员在R语言的基础上深入了解数据分析的发展历程。从经典的代数与统计学切入，学员将开始学习R语言的基础知识，包括软件的下载与安装、工作环境的设置、数据结构的使用、函数的创建以及重要函数和操作符的应用。 课程首先复习R语言的基础，包括数据集的操作与管理，提取特定案例或变量，生成随机数据集，计算基本统计量，并使用Matplotlib和Seaborn包创建图表。接下来，课程将深入探讨数据科学的核心内容，重点介绍数据预处理，包括数据清洗、标准化和缺失数据的处理。 在接下来的部分，学员将开始建立机器学习模型，了解最常用的监督和非监督算法，如简单回归、多重回归、逻辑回归、K近邻、支持向量机、朴素贝叶斯、决策树和聚类。课程还将介绍一些常见的集成方法，如随机森林、Bagging和Boosting，以及自然语言处理，并探讨其在文本分类中的应用。 最后，课程将简要介绍时间序列分析、推荐系统和社交媒体挖掘的一些基本概念。通过本课程，学员将系统掌握数据科学和机器学习的基本理论和实践技能。
Questo corso sul Data Science con R nasce per essere un percorso completo su come si è evoluta l'analisi dati negli ultimi anni a partire dall'algebra e dalla statistica classiche. L'obiettivo è accompagnare uno studente che ha qualche base di R in un percorso attraverso le varie anime del Data Science.Cominceremo con un ripasso delle basi di R, a partire dallo scaricamento e installazione, all'impostazione dell'ambiente di lavoro, passando per le strutture, la creazione di funzioni, l'uso degli operatori e di alcune funzioni importanti. Passeremo poi a vedere come manipolare e gestire un dataset, estrarne dei casi oppure delle variabili, generare dei dataset casuali, calcolare delle misure statistiche di base, creare grafici con i pacchetti Matplotlib e Seaborn.Nelle sezioni successive cominciamo a entrare nel cuore del Data Science con R, a cominciare dal preprocessing: vediamo infatti come ripulire e normalizzare un dataset, e come gestire i dati mancanti. La sezione successiva ci permette di cominciare a impostare dei modelli di machine learning con Python: vedremo tutti gli algoritmi più comuni, sia supervisionati che non supervisionati, come la regressione, semplice, multipla e logistica, il k-nearest neighbors, il Support Vector Machines, il Naive Bayes, gli alberi di decisione e il clustering. Passeremo poi ai più comuni metodi ensemble, come il Random Forest, il Bagging e il Boosting, e all'analisi del linguaggio naturale e al suo utilizzo nel machine learning per la catalogazione dei testi.Nelle ultime sezioni vedremo alcuni rudimenti di analisi temporale, sistemi di raccomandazione e social media mining.
