Ezen a tanfolyamon Python nyelven fog programozni, a legnépszerűbb eszközök és könyvtárak használatával Data Science és megtanulja, hogyan kell használni fejlett statisztikai elemzésekhez, adatok előfeldolgozásához és átalakításához, adatvizualizációk fejlesztéséhez és prediktív modellek fejlesztéséhez különféle problémák megoldására.
A kurzus minden modulhoz tartalmaz gyakorlati gyakorlatokat (közvetlen banki alkalmazhatósággal), így nem csak az elméletet tanulod meg, hanem a saját modellek elkészítésének gyakorlati oldalával is foglalkozol, amelyeket aztán kiindulópontként használhatsz az építéshez. a saját projektjeit.
Azt is megtudhatja, hogyan javíthatja a gépi tanulási algoritmusok által kifejlesztett modelleket a nagy torzítás (alulillesztés), a nagy diszperzió (túlillesztés), a keresztellenőrzés fogalmaival, valamint azzal, hogy a hiperparaméterek hogyan javíthatják a modellek teljesítményét (hiperparaméter-hangolás). ).
- A mesterséges intelligencia és a gépi tanulás meghatározása, jelentésük és alkalmazásuk megértése különböző területeken.
- Azonosítsa a gépi tanulás különböző típusait, például a felügyelt, a felügyelt és a megerősített tanulást, és megértse azok konkrét használati eseteit.
- A modell életciklusának és a gépi tanulási modell felépítésének alapvető lépéseinek megértése az adatgyűjtéstől a telepítésig.
- Feltáró adatelemzés (EDA) végrehajtása, hogy betekintést nyerjen az adatkészletbe, azonosítsa a mintákat, és megértse a változók közötti kapcsolatokat.
- Adat-előfeldolgozási technikák ismerete az adatok tisztításához és gépi tanulási algoritmusokhoz való előkészítéséhez, beleértve a hiányzó értékek kezelését és a kiugró értékek kezelését.
- Különféle osztályozáshoz, regresszióhoz, klaszterezéshez és egyebekhez használt gépi tanulási algoritmusok felfedezése, erősségük és gyengeségük megértése.
- A felügyelt tanulás gyakorlati példájának megvalósítása hitelbesoroláshoz a nemteljesítések előrejelzéséhez, gyakorlati tapasztalat szerzése a prediktív modell felépítésében.
- A funkciótervezési technikák elsajátítása, beleértve a hiányzó értékek kezelését, a kiugró értékek kezelését, a ritka kategóriák kezelését és a kategorikus változók feldolgozását a gépi tanuláshoz.
- A jellemzők kiválasztásának fontosságának megértése a modell teljesítményének javítása és a komplexitás csökkentése érdekében, a szűrési módszerek, a beágyazási módszerek és a tördelési módszerek feltárása.
- Betekintést nyerni a dimenziócsökkentés fontosságába a modellezés és a dimenziócsökkentés elérésére alkalmas technikák azonosítása szempontjából.
- Szűrési módszerek (pl. bázishalmazok, korreláció, statisztikai mérőszámok) alkalmazása a jellemzők kiválasztására, annak megértése, hogy ezek hogyan befolyásolják a modell teljesítményét.
- Beépített metódusok (pl. Lasso, Random Forest) megvalósítása a jellemzők automatikus kiválasztásához a modell betanítási folyamata során.
- Az agnosztikus módszerek, például a rekurzív jellemzők kiküszöbölése (RFE) felfedezése a legfontosabb jellemzők iteratív kiválasztásához a modellezéshez.
- Gyakorlati Python programozási ismeretek fejlesztése a gépi tanuláshoz olyan népszerű könyvtárak használatával, mint a NumPy, Pandas, Scikit-learn és mások.
- Python programozási alapismeretek.
- A lineáris algebra és a differenciálszámítás alapjai.
- A statisztika és a valószínűség alapvető fogalmainak megértése.
- Mi az a mesterséges intelligencia és a gépi tanulás?
- A gépi tanulás típusai
- Modell életciklusa: A modell felépítésének lépései
- Feltáró adatelemzés
- Adatok előfeldolgozása
- Gépi tanulási algoritmusok
- Gyakorlati példa a felügyelt tanulásra: Hitelbesorolás a nemteljesítés előrejelzésére
- Feature Engineering:
- A hiányzó értékek kezelésének technikái
- Extrém értékek kezelése
- Ritka kategóriák kezelése
- A kategorikus változók kezelésére többféle technika
- A gépi tanulási algoritmusok fő csoportjaihoz szükséges adatfeldolgozási és transzformációs technikák
- Funkciók kiválasztása (szűrési módszerek, beágyazott módszerek, burkoló módszerek)
- A mérettércsökkentés jelentősége a modellezésben
- Szűrési módszerek alkalmazása (magok, korreláció, statisztikai mérőszámok)
- Beépített módszerek alkalmazása (lasszó, random forrest stb.)
- Agnosztikus módszerek alkalmazása (RFE)
Jelenleg nincsenek ajánlások.
A tanfolyam elvégzése után bizonyítványt kapsz a tanfolyam elvégzéséről.
