|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machinelearningchinese/
课程评论：没有评论
课程名称：机器学习 A-Z（Machine Learning A-Z in Chinese） 课程概述： 想要深入了解机器学习吗？这门课程专为您量身定制！它是英文课程Machine Learning A-Z的翻译与再创作，原版课程在Udemy上广受欢迎。通过这门课程，您将以深入浅出的方式掌握复杂的模型、算法以及基础编程语句。我们将手把手教您机器学习，帮助您建立完备的知识架构，同时享受学习过程，深入理解机器学习领域。 课程结构： 1. 数据预处理 2. 回归： - 简单线性回归 - 多元线性回归 - 多项式回归 3. 分类： - 逻辑回归 - 支持向量机（SVM） - 核函数与支持向量机（Kernel SVM） - 朴素贝叶斯 - 决策树分类 - 随机森林分类 4. 聚类： - K-平均聚类分析 5. 关联规则学习： - 先验算法 6. 强化学习（待更新）： - 置信区间上界算法（UCB） - Thompson抽样算法 7. 自然语言处理（待更新）： - 自然语言处理算法 8. 深度学习（待更新）： - 人工神经网络 - 卷积神经网络 9. 降维（待更新）： - 主成分分析（PCA） - 核函数主成分分析（Kernel PCA） 10. 模型选择（待更新）： - 模型选择 - 极端梯度上升 课程特点： 在学习每种模型的理论基础之余，您还将学习如何将这些模型应用于现实生活中的各种案例。课程中还提供了Python和R的代码模板，您可以下载并直接在自己的项目中使用。此外，课程内容包括丰富的实践练习，帮助您在构建模型的同时加深理论理解。 如果您对机器学习感兴趣，这门课程将是您的最佳选择！
想了解机器学习？这门课程为您订做！ 这门课程是英文课程Machine Learning A-Z的翻译和再创造。原版英文课程是Udemy上最畅销的机器学习课程。您在这门课里，会用深入浅出的方法学会复杂的模型，算法，还有基础的编程语句。 我们会手把手地教会您机器学习。每一节课都会让您获得新的知识，完备机器学习的知识架构，在享受机器学习的同时对这个领域有更深的理解。 这门课程十分有趣，包含了机器学习的方方面面。课程结构如下： 第一部分 - 数据预处理第二部分 - 回归：简单线性回归，多元线性回归，多项式回归第三部分 - 分类：逻辑回归，支持向量机（SVM），核函数与支持向量机（Kernel SVM），朴素贝叶斯，决策树分类，随机森林分类第四部分 - 聚类：K-平均聚类分析第五部分 - 关联规则学习：先验算法第六部分 (待更新) - 强化学习：置信区间上界算法（UCB），Thompson抽样算法第七部分 (待更新) - 自然语言处理 ：自然语言处理算法第八部分 (待更新) - 深度学习：人工神经网络，卷积神经网络第九部分 (待更新) - 降维（Dimensionality Reduction）：主成分分析 （PCA），核函数主成分分析（Kernel PCA）第十部分 (待更新) - 模型选择：模型选择，极端梯度上升 对于每个模型，除了学会理论基础之外，您还会学习如何将这些模型运用到各种实际生活的案例里，并且课程也包括Python和R的代码模板，您可以下载并且直接将代码运用到您自己的项目里。 Interested in the field of Machine Learning? Then this course is for you! This course has been designed by two professional Data Scientists so that we can share our knowledge and help you learn complex theory, algorithms and coding libraries in a simple way. We will walk you step-by-step into the World of Machine Learning. With every tutorial you will develop new skills and improve your understanding of this challenging yet lucrative sub-field of Data Science. This course is fun and exciting, but at the same time we dive deep into Machine Learning. It is structured the following way: Part 1 - Data PreprocessingPart 2 - Regression: Simple Linear Regression, Multiple Linear Regression, Polynomial RegressionPart 3 - Classification: Logistic Regression, SVM, Kernel SVM, Naive Bayes, Decision Tree Classification, Random Forest ClassificationPart 4 - Clustering: K-MeansPart 5 - Association Rule Learning: AprioriPart 6 - Reinforcement Learning: Upper Confidence Bound, Thompson SamplingPart 7 - Natural Language Processing: Bag-of-words model and algorithms for NLPPart 8 - Deep Learning: Artificial Neural Networks, Convolutional Neural NetworksPart 9 - Dimensionality Reduction: PCA, Kernel PCAPart 10 - Model Selection & Boosting: k-fold Cross Validation, Grid Search. Moreover, the course is packed with practical exercises which are based on real-life examples. So not only will you learn the theory, but you will also get some hands-on practice building your own models. And as a bonus, this course includes both Python and R code templates which you can download and use on your own projects.
