|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-dengan-python/
课程评论：没有评论
课程名称：使用Python进行机器学习 课程概述：机器学习是一门旨在根据数据读取模式或行为的学科。随着商业需求的增长，快速做出准确决定变得尤为重要，因此学习历史数据模式成为了一个解决方案。本课程旨在教授如何基于已有数据模式进行预测。课程的第一步是获取所需数据（数据抓取），然后处理这些数据以生成数据集。创建高质量的数据集并非易事，这需要经过多个阶段以确保最佳效果。最终，生成的数据集将用于构建机器学习模型。 本课程将教授两种机器学习类型：监督学习和无监督学习。通过讨论不同的模型，学员将能够分辨各种机器学习模型。除了构建机器学习模型外，本课程还将教授数据可视化方法，以及如何评估和提高模型的准确性。完成本课程后，学员将掌握机器学习的基本概念，能够在工作中应用所学知识。 课程内容涵盖： 模块1：数据准备 模块2：数据预处理 模块3：数据可视化 模块4：线性回归 模块5：过拟合和欠拟合 模块6：分类 模块7：评估与超参数调整 模块8：聚类
Machine Learning merupakan disiplin ilmu yang dirancang untuk membaca pola atau perilaku berdasarkan data. Berkembangnya machine learning ini tidak luput dari kebutuhan bisnis untuk cepat mengambil keputusan tepat. Sehingga jalan keluarnya adalah dengan mempelajari pola - pola data histori.Untuk itu dirancang course machine learning ini untuk dapat dipelajari bagaimana cara memprediksi sesuatu berdasarkan pola-pola data yang sudah ada. Course ini juga dirancang mulai awal mendapatkan data atau scraping data yang diperlukan, kemudian memprosesnya untuk menghasilkan sebuah dataset. Tidak mudah untuk membuat dataset yang baik ada beberapa tahapan yang harus dilakukan untuk menghasilkan dataset yang terbaik. Dataset inilah yang digunakan sebagai data untuk membuat machine learning. Ada 2 tipe machine learning yang akan dipelajari pada course ini yaitu supervised learning dan unsupervised learning. Pada course ini akan dibahas beberapa model agar anda dapat menbedakan model - model tersebut. Tidak cukup hanya sampai membuat machine learning course ini juga mempelajari bagaimana cara membuat data visualisasinya serta bagaimana mengevaluasi dan meningkatkan tingkat akurasi dari sebuah machine learning. Sehingga setelah belajar course ini diharapkan anda sudah menguasai konsep machine learning yang bisa anda gunakan pada dunia kerja.Cakupan Materi Course yang diajarkan:Module 1: Preparing Data / Menyiapkan DataModule 2: Data PreprocessingModule 3: Data VisualizationModule 4: Linear RegressionModule 5: Overfitting dan UnderfittingModule 6: ClassificationModule 7: Evaluation dan Hyperparameter TuningModule 8: Clustering
