|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/data-science-con-python/
课程评论：没有评论
课程名称：完整的Python数据科学与机器学习课程 课程概述：本课程旨在提供一个全面的路径，介绍数据分析在过去几年如何从经典代数和统计学演变而来。目标是引导具有一定Python基础的学生，深入了解数据科学的各个方面。 课程内容包括： 1. **Python基础回顾**：从下载和安装Python开始，设置工作环境，学习数据结构、创建函数、使用运算符及一些重要函数。 2. **数据集处理**：学习如何操作和管理数据集，包括提取案例和变量、生成随机数据集、计算基本统计指标、以及使用Matplotlib和Seaborn绘制图表。 3. **数据预处理**：掌握数据清洗和标准化方法，处理缺失数据。 4. **机器学习模型建立**：介绍主要的机器学习算法，包括监督和非监督学习，涵盖线性回归、逻辑回归、k最近邻、支持向量机、朴素贝叶斯、决策树及聚类等。 5. **集成方法**：学习常见的集成学习方法，如随机森林、装袋和提升。 6. **自然语言处理**：探讨自然语言处理在机器学习中的应用，特别是文本分类。 该课程为学员提供了全面的知识和实践能力，以应对现代数据科学的挑战。
Questo corso sul Data Science con Python 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 Python in un percorso attraverso le varie anime del Data Science. Cominceremo con un ripasso delle basi di Python, 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 Python, 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.
