|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-com-python/
课程评论：没有评论
课程名称：使用Python的机器学习 课程概述： 本课程介绍了多种机器学习算法，包括监督学习（分类和回归）、非监督学习（聚类和关联）以及强化学习的基础知识，全部使用Python编程语言进行讲解。课程旨在为机器学习初学者提供入门知识，同时也涵盖了一些中级和高级的技术。课程中介绍的算法包括现代常用的算法，如XGBoost、Catboost、LightGBM、朴素贝叶斯、随机森林、决策树、支持向量机（SVM）、K近邻（KNN）、人工神经网络、简单和多重线性回归、多项式回归、K均值聚类、DBSCAN、K-Modes、K-Prototypes、Apriori、Eclat和Q学习等。 所有课程内容都通过逐步讲解的方式进行，重点放在实际应用上，但同时也提供了基本的理论知识。然而，课程不会详细解释涉及算法的高级数学。在项目方面，课程涵盖了从数据集获取、处理和预处理到算法创建的整个过程。 课程大致分为以下几个部分： 1) Python语言的基础和进阶使用，结合Google Colaboratory进行数据分析和操作。 2) 基础统计学原理（理论部分）。 3) 监督学习：分类。 4) 监督学习：回归。 5) 非监督学习：聚类与关联。 6) 强化学习简介。 课程提供所有理论课的幻灯片、实践课的Python脚本以及数据集文件。内容丰富，讲解清晰简明，展示了机器学习的奇妙世界。值得注意的是，课程不是静态的，会根据学员的反馈进行必要的更新或更改，所有更新内容都会及时通知学员。
Este curso apresenta diversos tipos de algoritmos de Machine Learning para aprendizagem supervisionada (classificação e regressão), não supervisionada (agrupamento e associação) e Introdução à aprendizagem por reforço, utilizando a linguagem Python. Ele é destinado a iniciantes no mundo de Machine Learning, mas também apresenta técnicas de nível médio e até mesmo de nível avançado.Os algoritmos apresentados no curso são modernos e os mais utilizados no cotidiano (XGBoost, Catboost, LightGBM, Naive Bayes, Random Forest, Árvores de Decisão, SVM, KNN, Redes Neurais Artificiais, Regressão Linear Simples e Múltipla, Regressão Polinomial, K-Means, DBSCAN, K-Modes, K-Prototypes, Apriori, Eclat, Q-Learning...)Todas as aulas são explicadas passo a passo, com foco nas aplicações práticas, mas com conceitos teóricos básicos introdutórios de forma bem objetiva, portanto, o curso não detalha a matemática avançada envolvida nos algoritmos.Os projetos são trabalhados desde a aquisição dos conjuntos de dados nos repositórios de dados, passando pelo tratamento e pré-processamento e culminando na criação dos algoritmos.O curso é dividido basicamente nas seguintes partes: 1) Domínio do uso da linguagem Python, com o Google Colaboratory, desde os conceitos fundamentais até conceitos mais avançados para análise e manipulação de dados.2) Fundamentos da Estatística Básica (Parte teórica).3) Aprendizagem Supervisionada: Classificação.4) Aprendizagem Supervisionada: Regressão.5) Aprendizagem não supervisionada: Agrupamento e associação.6) Introdução à Aprendizagem por Reforço.São disponibilizados todos os slides das aulas teóricas, todos os scripts das aulas práticas no Python e todos os arquivos com os datasets.É um curso riquíssimo em informações e com explicações claras e objetivas, ilustrando o fantástico mundo do Machine Learning. Uma observação importante: o curso não é Estático, isto é, qualquer atualização necessária ou solicitada pelos alunos será acrescida ao curso e, sempre que tiver alguma alteração, atualização ou inclusão de conteúdo, todos serão comunicados.
