|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/makineogrenmesi/
课程评论：没有评论
课程名称：16+小时Python数据科学与机器学习 课程概述：本课程旨在帮助对机器学习和人工智能感兴趣的学习者，尤其是那些缺乏统计学和线性代数基础的初学者。随着机器学习算法在多个领域的广泛应用，学习者需要具备必要的数学知识，而不仅仅是编写代码。课程内容将理论与数学直观地呈现，适合工程、统计学和计量经济学等相关领域的学习者，并通过实际应用进行支持。 课程内容包括： - 机器学习简介：什么是机器学习？ - 机器学习所需的统计学 - 机器学习中的线性代数 - 数据预处理 - 探索性数据分析 - 监督学习：分类（K近邻分类、朴素贝叶斯分类、逻辑回归、支持向量机、决策树及其回归、随机森林及其回归、集成学习等） - 人工神经网络简介：多层感知机、反向传播 - 无监督学习：聚类（K均值聚类、层次聚类）、主成分分析 - 关联规则挖掘 - 时间序列分析与ARIMA模型 本课程为希望在数据科学和机器学习领域打下扎实基础的学习者提供了系统全面的学习资源。
Herkese Merhabalar,Makine öğrenmesi ve Yapay Zeka algoritmaları artık hemen her alanda yaygın olarak kullanılıyor. Veri bilimi ile alakalı en büyük problem bu dala yönelmek isteyen insanların yeterli istatistik ve lineer cebir bilgisi olmadan sadece kod yazarak ilerlemeye çalışmasıdır. Bu kursta teorik ve matematiksel tarafın mühendislik, istatistik ya da ekonometri bile olabilir, bu dallara yakın olan herkes için yalın biçimde anlatıldığını ve uygulamalarla desteklendiğini göreceksiniz. Kurs içeriği;- Introduction to Machine LearningWhat is Machine Learning? (Makine Öğrenmesi Nedir? ) Statistics for Machine Learning (Makine Öğrenmesi için İstatistik) Linear Algebra for Machine Learning (Makine Öğrenmesi için Lineer Cebir) Data Pre-Processing (Veri Ön İşleme) Exploratory Data Analysis (Keşifsel Veri Analizi) - Supervised LearningClassification (Sınıflama) K Nearest Neighbors - Regression (K Yakın Komşu - Regresyon) Performance Evaluation Metrics (Performans Değerleme Metrikleri) Naive Bayes Classifier (Naive Bayes Sınıflayıcısı) Logistic Regression (Lojistik Regression) Support Vector Machines (Destek Vektör Makineleri) Decision Trees (Karar ağaçları) Decision Tree Regression (Karar Ağacı Regresyonu)Random Forest - Regression (Rasgele Ormanlar ve Regresyonu) Ensemble Learning (Kollektif Öğrenme) Adaboost Gradient Boost - XGBoost Introduction to Neural Networks (Yapay Sinir Ağlarına Giriş) Multi-Layer Perceptron (Çok katmanlı YSA'lar) Backpropagation (Geri Yayılımlı Optimizasyon) - Unsupervised LearningIntroduction to Clustering (Kümelemeye Giriş) K-Means Clustering (K-Ortalama Kümeleme) Hierarchical Clustering (Hiyerarşik Kümeleme) Principal Component Analysis (Temel Bileşenler Analizi) - Association Rules Mining (Birliktelik Kural Çıkarımı) - Zaman Serileri Analizi ve ARIMA Modelleri
