|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/uczenie-maszynowe-python/
课程评论：没有评论
Coursera 课程：机器学习 - 决策树与随机森林（Python） 本课程旨在教授机器学习中最受欢迎的算法之一：决策树和随机森林。这两种算法在分类和回归任务中表现出色，尤其适用于需要模型透明度和良好性能且无需复杂特征工程的场景。 **课程内容概览：** * **理论与实践结合：** 从零开始深入理解决策树和随机森林的工作原理，包括理论基础和 Python 实践。 * **核心概念讲解：** 涵盖熵、信息增益、过拟合、剪枝、Bootstrap、Bagging 以及特征重要性等关键概念。 * **完整模型构建流程：** 引导学员完成从数据准备、模型训练与测试，到结果评估和超参数优化的整个过程。 * **Python 实践：** 使用 scikit-learn、pandas 和 matplotlib 等流行库进行实践练习和项目，为您打下坚实的数据分析和预测基础。 * **先修要求：** 无需机器学习经验，只需具备 Python 基础知识。 **Scikit-learn 介绍：** Scikit-learn 是一个流行的 Python 开源库，提供了经典的机器学习工具集，包括分类、回归、聚类、降维和模型评估的现成算法。其简洁一致的 API 使其成为快速实验、学习和构建数据驱动解决方案的理想选择。 **报名本课程，学习如何构建基于数据的决策模型！**
Chcesz nauczyć się jednych z najpopularniejszych algorytmów uczenia maszynowego? Ten kurs jest dla Ciebie! Drzewa decyzyjne oraz lasy losowe (Random Forest) to potężne narzędzia wykorzystywane w klasyfikacji i regresji, szczególnie tam, gdzie liczy się przejrzystość działania modelu i dobre wyniki bez konieczności skomplikowanej inżynierii cech.W tym praktycznym kursie poznasz od podstaw, jak działają drzewa decyzyjne i lasy losowe - zarówno od strony teoretycznej, jak i praktycznej, w języku Python. Omówimy najważniejsze pojęcia, takie jak entropia, zysk informacyjny, overfitting, pruning, bootstrap, bagging czy ważność cech. Przeprowadzimy Cię krok po kroku przez cały proces budowy modelu - od przygotowania danych, przez trenowanie i testowanie modelu, aż po ocenę wyników i optymalizację hiperparametrów.Nie musisz mieć doświadczenia z machine learning - wystarczy podstawowa znajomość Pythona. Kurs zawiera praktyczne ćwiczenia i projekty z użyciem bibliotek takich jak scikit-learn, pandas i matplotlib, które pomogą Ci zbudować solidne podstawy w analizie danych i predykcji. Zapisz się i naucz się budować modele, które podejmują decyzje na podstawie danych!Scikit-learn - Klasyczne uczenie maszynowe w zasięgu rękiScikit-learn to popularna biblioteka open source dla języka Python, oferująca zestaw narzędzi do klasycznego uczenia maszynowego. Zawiera gotowe algorytmy do klasyfikacji, regresji, klasteryzacji, redukcji wymiarowości oraz oceny modeli. Dzięki prostemu i spójnemu API, Scikit-learn doskonale sprawdza się w szybkich eksperymentach, edukacji i tworzeniu produkcyjnych rozwiązań opartych na danych.
