|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/estatistica-para-ciencia-de-dados-machine-learning/
课程评论：没有评论
课程名称：数据科学与机器学习的统计学 课程概述：统计学提供了工具和手段，以发掘数据中的结构，从而提供对深层信息的洞察。统计测量如均值、中位数、众数、标准差和分布被用来描述数据基础上变量的行为，并识别异常。了解所处理的“原材料”的特性是统计学的核心目标。机器学习算法是数据科学家的工具，而统计学是理解这些工具运作方式的知识，从而帮助选择最合适的工具以最大限度地发挥其作用。 课程将提供理论与实践相结合的知识，让你逐步掌握统计学的主要概念及其与数据科学和机器学习的联系。你将学习统计学理论，逐步计算，并使用Python编程语言实现这些计算，还将使用现成的库！本课程的独特性在于，除了学习统计学，你还将学习如何将其应用于机器学习。 课程内容分为九个部分：(i) 人口与样本，(ii) 相对与绝对数据，(iii) 频率分布，(iv) 位置与离散度的测量，(v) 统计分布，(vi) 概率，(vii) 置信区间与假设检验，(viii) 相关性与回归，以及 (ix) 可视化。你将学习如何将统计概念与机器学习和数据科学结合的多个主题，例如： - 使用抽样来处理分类或回归中的不平衡数据 - 计算频率分布以应用关联规则 - 使用位置与离散度测量评估分类算法 - 使用方差计算进行属性选择 - 利用位置测量填补数据中的缺失值 - 应用标准化计算（z-score）于机器学习 - 处理机器学习中的偏差数据 - 使用统计分布初始化人工神经网络的权重 - 基于伯努利和多项式分布的朴素贝叶斯算法 - 利用概率进行机器学习预测 - 使用ANOVA和卡方技术进行数据库属性选择 - 应用参数与非参数假设检验来评估算法 - 使用线性回归预测房价 - 创建图表与地图以帮助数据解释 本课程是希望显著提升统计学、数据科学和机器学习知识的理想选择，包含超过160节课程及已解决的练习！课程适合所有知识水平的学习者，无论是初学者还是高级用户都能从中受益。
A Estatística proporciona os meios e as ferramentas para encontrar estrutura em dados com o objetivo de fornecer insights sobre as informações mais profundas ali escondidas. Medidas estatísticas como média, mediana, moda, desvio padrão e distribuição servem para descrever o comportamento das variáveis de uma base de dados, assim como identificar anomalias. Em outras palavras, é preciso conhecer a "matéria-prima" com que se está trabalhando por meio de características que nos servem de resumo sobre sua natureza. Esse é o objetivo da Estatística! Se os algoritmos de machine learning são as ferramentas que os cientistas de dados operam, a Estatística é o conhecimento sobre como e porquê essas ferramentas funcionam, permitindo escolher as ferramentas mais adequadas para tirar o melhor proveito delas.Existe um ditado atribuído a Josh Wills, ex-funcionário do Google e do Cloudera e atualmente presidente de Engenharia de Dados do Slack: um cientista de dados é um programador melhor do que qualquer estatístico e um estatístico melhor do que qualquer programador. Sem um bom conhecimento estatístico, o cientista de dados é como um soldado cego com um arsenal poderoso. O domínio estatístico torna seu trabalho mais direcionado, eficiente e robusto, e permite uma utilização mais ativa dos modelos de machine learning já estabelecidos, uma vez que ele tem o conhecimento necessário para investigar as bases teóricas que fundamentam esses modelos.Baseado nisso, neste curso você terá uma visão teórica e principalmente prática passo a passo sobre os principais conceitos de Estatística, bem como sua ligação com a Ciência de Dados e a Aprendizagem de Máquina (Machine Learning). Você aprenderá a teoria, os cálculos passo a passo, implementará os cálculos utilizando a linguagem de programação Python e também utilizará bibliotecas prontas! O diferencial deste curso é que além de aprender estatística, você aprenderá como utilizá-la em aprendizagem de máquina. O conteúdo está dividido em nove partes: (i) população e amostra, (ii) dados relativos e absolutos, (iii) distribuição de frequência, (iv) medidas de posição e dispersão, (v) distribuições estatísticas, (vi) probabilidade, (vii) intervalos de confiança e testes de hipóteses, (viii) correlação e regressão e (ix) visualização. Confira abaixo alguns dos tópicos que você aprenderá, integrando os conceitos estatísticos com aprendizagem de máquina e ciência de dados:Uso de amostragem para trabalhar com dados desbalanceados em classificação ou regressão (undersampling e oversampling)Cálculos de distribuição de frequência para aplicação de regras de associaçãoAvaliação de algoritmos de classificação utilizando medidas de posição e dispersãoSeleção de atributos utilizando cálculos de variânciaPreenchimento de valores faltantes em bases de dados utilizando medidas de posiçãoCálculo de padronização (z-score) aplicado em machine learningTratamento de dados enviesados em machine learningUso de distribuições estatísticas para inicialização de pesos em redes neurais artificiaisAlgoritmo Naïve Bayes utilizando as distribuições de Bernoulli e MultinomialPrevisões com probabilidade em machine learningUso das técnicas ANOVA e Qui Quadrado para seleção de atributos em bases de dadosTestes de hipóteses paramétricos e não paramétricos, aplicados na avaliação de algoritmosPrevisão do preço de casas utilizando regressão linearCriação de gráficos e mapas para ajudar na interpretação de dadosEste é o curso ideal caso você queira aumentar significativamente seus conhecimentos em Estatística, Ciência de Dados e Machine Learning, mais de 160 aulas com exercícios resolvidos! O curso é para todos os níveis de conhecimento, ou seja, se você é iniciante ou de nível avançado conseguirá aproveitar o conteúdo.
