|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/formation-machine-learning-python/
课程评论：没有评论
Coursera 机器学习与 Python 全栈课程： 本课程旨在为您提供机器学习（从数据中学习）的基础知识。如果您希望使用 Python 和机器学习算法创建自己的预测和分类模型，并探索数据科学这一领域，那么加入本课程吧！ **课程亮点：** * **循序渐进：** 课程将逐步讲解复杂的机器学习概念，使其易于理解。 * **实践驱动：** 通过 scikit-learn 库，学习如何构建、优化和部署预测模型。 * **核心算法：** 深入解析 K 最近邻、线性回归、逻辑回归和 K-Means 聚类等基本算法。 * **模型评估：** 学习使用误差指标评估模型质量和准确性，掌握交叉验证和超参数优化。 * **主动学习：** 每节视频都有练习，鼓励您独立构建模型，而非仅仅观看演示。 * **全面内容：** 包含 3 个递进级别（从初学者到中级）、18 个关键章节、7 个真实数据集、源代码和 3 个完整的项目案例。 **课程涵盖内容：** * 预测模型创建 * K 最近邻算法 * Holdout 和 K-Fold 交叉验证 * 超参数优化 * 线性回归 * 特征选择 * 梯度下降 * 逻辑回归 * 分类 * K-Means 聚类 * 模型改进技术 * 神经网络 完成本课程后，您将具备理解和构建更高级机器学习模型所需的所有基础知识。
Cette formation vous permettra d'acquérir les bases du Machine Learning (apprentissage automatique à partir de données).Si vous souhaitez créer vos propres modèles de prédiction et de classification en Python avec des algorithmes de Machine Learning et découvrir cette branche de la Data Science, n'hésitez plus et rejoignez cette formation (cf. programme ci-dessous)Cette formation explique pas à pas les notions compliquées de Machine Learning pour les rendre accessible au plus grand nombre.Lors de cette formation Machine Learning, apprenez à construire, optimiser puis déployer des modèles prédictifs avec la librairie Python scikit-learn.La formation se veut progressive et pratique. On décortique étape par étape les mécanismes des algorithmes des k Nearest Neighbors (k plus proches voisins), de la régression linéaire, de la régression logistique et de l'algorithme des k-mean clustering. Une palette assez large et fondamentale du Machine Learning. Vous apprendrez à évaluer la qualité et précision de ces modèles via des métriques d'erreur. La validation croisée et l'optimisation d'hyper paramètres n'auront plus de secrets pour vous.A chaque vidéo/étape, vous aurez un énoncé et c'est vous qui construisez pas à pas vos compétences en Machine Learning, ce qui nécessite plus de travail que de « simplement » suivre un formateur qui tape du code à l'écran et explique vaguement les concepts.Devenez acteur de votre apprentissage!A la fin de cette formation, vous aurez toutes les bases pour comprendre et construire vos propres modèles de Machine Learning plus poussés. Contenu en quelques chiffres:- 3 grandes parties de niveau progressif (de débutant à intermédiaire)- 18 sections clés pour appréhender les algorithmes et techniques de ML- 7 datasets réels pour entrainer des modèles et faire des prédictions- Code source inclus- 3 projets guidés complets (cas réels)Au programme: - Création de modèles prédictifs- k Nearest Neighbors- Validation croisée holdout et k-fold- Optimisation des hyper paramètres- Régression linéaire- Sélection des caractéristiques- Gradient Descent - Régression logistique- Classification- K-mean Clustering- Techniques d'amélioration des modèles- Réseaux de neuronesA très vite dans la formation!
