|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-bootcamp-w-jezyku-python-ii/
课程评论：没有评论
课程名称：Python机器学习训练营（第二部分）- 从A到Z 课程概述：欢迎来到机器学习训练营的第二部分！这次我们将100%专注于无监督学习，这是现代数据分析和无标签数据模式探索的重要支柱。如果您已经了解了Python的基础知识，并完成了有关监督学习的课程（第一部分），那么现在是时候通过实践掌握关键技术，如聚类、降维、聚类分析、主成分分析（PCA）、DBSCAN、层次聚类、t-SNE等。该课程采用训练营的形式，即从基础开始，逐步通过实际案例进行学习。 课程内容包括： - 无监督学习的全面介绍 - 针对不同类型数据选择和比较适当算法 - 使用Python库（如scikit-learn、seaborn、pandas、matplotlib和numpy）实施算法 - 真实世界案例和项目（如客户细分、文本分析） - 实用技巧以解读和可视化结果 本课程是数据分析师、未来的数据科学家、技术专业的学生以及希望在无监督人工智能领域提升技能的所有人的理想选择。立即加入课程，提升您的Python数据分析能力！ 无监督学习 - 发现数据中的隐藏模式 无监督学习是机器学习的一个分支，算法在没有先前标签或标记的情况下分析数据。它的目的是在数据集中找到结构、群体或依赖关系。常用技术包括聚类、降维或聚类分析。无监督学习广泛应用于客户细分、异常检测和数据探索等领域。
Witamy w drugiej części kursu Machine Learning Bootcamp! Tym razem skupiamy się w 100% na uczeniu nienadzorowanym (unsupervised learning) - jednym z najważniejszych filarów nowoczesnej analizy danych i eksploracji wzorców w zbiorach bez etykiet.Jeśli znasz już podstawy Pythona oraz masz za sobą kurs o uczeniu nadzorowanym (cz. I), teraz czas na praktyczne opanowanie technik takich jak klasteryzacja, redukcja wymiarów, analiza skupień, PCA, DBSCAN, hierarchiczne grupowanie, t-SNE i wiele więcej. Kurs prowadzony jest w formie bootcampu - czyli nauczysz się wszystkiego od podstaw, krok po kroku, na praktycznych przykładach.W kursie znajdziesz:pełne wprowadzenie do uczenia nienadzorowanegoporównanie i wybór odpowiednich algorytmów do różnych typów danychimplementację algorytmów w Pythonie przy użyciu bibliotek takich jak scikit-learn, seaborn, pandas, matplotlib i numpyliczne projekty i case study z prawdziwego świata (np. segmentacja klientów, analiza tekstu)praktyczne wskazówki, jak interpretować i wizualizować wynikiTo idealny kurs dla analityków danych, przyszłych data scientistów, studentów kierunków technicznych i wszystkich, którzy chcą rozwinąć kompetencje w obszarze sztucznej inteligencji bez nadzoru. Dołącz teraz i wejdź na wyższy poziom analizy danych z Pythonem!Uczenie nienadzorowane - Odkrywaj ukryte wzorce w danychUczenie nienadzorowane to gałąź uczenia maszynowego, w której algorytmy analizują dane bez wcześniejszych etykiet czy oznaczeń. Celem jest znalezienie struktury, grup lub zależności w zbiorze danych. Przykładowe techniki to klasteryzacja, redukcja wymiarowości czy analiza skupień. Uczenie nienadzorowane znajduje zastosowanie między innymi w segmentacji klientów, wykrywaniu anomalii i eksploracji danych.
