Последние новости: Свежий coursehunters.club

Data Science, Deep Learning и Machine Learning с Python - Видеоуроки

Data Science, Deep Learning, & Machine Learning with Python
Duration 12:00:39
Открыть все курсы от udemy

Data Science, Deep Learning, & Machine Learning with Python - Полный список уроков

Развернуть / Свернуть
  • Урок 1. Introduction 00:02:42
  • Урок 2. [Activity] Getting What You Need 00:02:38
  • Урок 3. [Activity] Installing Enthought Canopy 00:05:11
  • Урок 4. Python Basics, Part 1 00:15:59
  • Урок 5. [Activity] Python Basics, Part 2 00:09:42
  • Урок 6. Running Python Scripts 00:03:56
  • Урок 7. Introducing the Pandas Library 00:10:15
  • Урок 8. Types of Data 00:06:59
  • Урок 9. Mean, Median, Mode 00:05:27
  • Урок 10. [Activity] Using mean, median, and mode in Python 00:08:31
  • Урок 11. [Activity] Variation and Standard Deviation 00:11:13
  • Урок 12. Probability Density Function; Probability Mass Function 00:03:28
  • Урок 13. Common Data Distributions 00:07:46
  • Урок 14. [Activity] Percentiles and Moments 00:12:34
  • Урок 15. [Activity] A Crash Course in matplotlib 00:13:47
  • Урок 16. [Activity] Covariance and Correlation 00:11:32
  • Урок 17. [Exercise] Conditional Probability 00:10:17
  • Урок 18. Exercise Solution: Conditional Probability of Purchase by Age 00:02:19
  • Урок 19. Bayes' Theorem 00:05:24
  • Урок 20. [Activity] Linear Regression 00:11:02
  • Урок 21. [Activity] Polynomial Regression 00:08:05
  • Урок 22. [Activity] Multivariate Regression, and Predicting Car Prices 00:09:54
  • Урок 23. Multi-Level Models 00:04:37
  • Урок 24. Supervised vs. Unsupervised Learning, and Train/Test 00:08:58
  • Урок 25. [Activity] Using Train/Test to Prevent Overfitting a Polynomial Regression 00:05:48
  • Урок 26. Bayesian Methods: Concepts 00:04:00
  • Урок 27. [Activity] Implementing a Spam Classifier with Naive Bayes 00:08:06
  • Урок 28. K-Means Clustering 00:07:24
  • Урок 29. [Activity] Clustering people based on income and age 00:05:15
  • Урок 30. Measuring Entropy 00:03:10
  • Урок 31. Decision Trees: Concepts 00:08:44
  • Урок 32. [Activity] Decision Trees: Predicting Hiring Decisions 00:09:48
  • Урок 33. Ensemble Learning 00:06:00
  • Урок 34. Support Vector Machines (SVM) Overview 00:04:28
  • Урок 35. [Activity] Using SVM to cluster people using scikit-learn 00:05:37
  • Урок 36. User-Based Collaborative Filtering 00:07:58
  • Урок 37. Item-Based Collaborative Filtering 00:08:16
  • Урок 38. [Activity] Finding Movie Similarities 00:09:09
  • Урок 39. [Activity] Improving the Results of Movie Similarities 00:08:00
  • Урок 40. [Activity] Making Movie Recommendations to People 00:10:23
  • Урок 41. [Exercise] Improve the recommender's results 00:05:30
  • Урок 42. K-Nearest-Neighbors: Concepts 00:03:45
  • Урок 43. [Activity] Using KNN to predict a rating for a movie 00:12:30
  • Урок 44. Dimensionality Reduction; Principal Component Analysis 00:05:45
  • Урок 45. [Activity] PCA Example with the Iris data set 00:09:06
  • Урок 46. Data Warehousing Overview: ETL and ELT 00:09:06
  • Урок 47. Reinforcement Learning 00:12:45
  • Урок 48. Bias/Variance Tradeoff 00:06:16
  • Урок 49. [Activity] K-Fold Cross-Validation to avoid overfitting 00:10:56
  • Урок 50. Data Cleaning and Normalization 00:07:11
  • Урок 51. [Activity] Cleaning web log data 00:10:57
  • Урок 52. Normalizing numerical data 00:03:23
  • Урок 53. [Activity] Detecting outliers 00:07:01
  • Урок 54. [Activity] Installing Spark - Part 1 00:07:03
  • Урок 55. [Activity] Installing Spark - Part 2 00:13:30
  • Урок 56. Spark Introduction 00:09:11
  • Урок 57. Spark and the Resilient Distributed Dataset (RDD) 00:11:43
  • Урок 58. Introducing MLLib 00:05:10
  • Урок 59. [Activity] Decision Trees in Spark 00:16:01
  • Урок 60. [Activity] K-Means Clustering in Spark 00:11:08
  • Урок 61. TF / IDF 00:06:45
  • Урок 62. [Activity] Searching Wikipedia with Spark 00:08:12
  • Урок 63. [Activity] Using the Spark 2.0 DataFrame API for MLLib 00:07:58
  • Урок 64. A/B Testing Concepts 00:08:24
  • Урок 65. T-Tests and P-Values 00:06:00
  • Урок 66. [Activity] Hands-on With T-Tests 00:06:05
  • Урок 67. Determining How Long to Run an Experiment 00:03:25
  • Урок 68. A/B Test Gotchas 00:09:27
  • Урок 69. Deep Learning Pre-Requisites 00:10:52
  • Урок 70. The History of Artificial Neural Networks 00:11:16
  • Урок 71. [Activity] Deep Learning in the Tensorflow Playground 00:12:01
  • Урок 72. Deep Learning Details 00:09:30
  • Урок 73. Introducing Tensorflow 00:12:40
  • Урок 74. [Activity] Using Tensorflow, Part 1 00:09:38
  • Урок 75. [Activity] Using Tensorflow, Part 2 00:13:28
  • Урок 76. [Activity] Introducing Keras 00:14:23
  • Урок 77. [Activity] Using Keras to Predict Political Affiliations 00:12:31
  • Урок 78. Convolutional Neural Networks (CNN's) 00:11:29
  • Урок 79. [Activity] Using CNN's for handwriting recognition 00:08:16
  • Урок 80. Recurrent Neural Networks (RNN's) 00:11:03
  • Урок 81. [Activity] Using a RNN for sentiment analysis 00:10:16
  • Урок 82. The Ethics of Deep Learning 00:11:03
  • Урок 83. Learning More about Deep Learning 00:01:46
  • Урок 84. Your final project assignment 00:06:27
  • Урок 85. Final project review 00:09:00
  • Урок 86. More to Explore 00:03:00
  • Урок 87. Bonus Lecture: Discounts on my Spark and MapReduce courses! 00:03:25

Приступайте к практической работе с нейронной сетью, искусственным интеллектом и методами машинного обучения, которые ищут предприниматели! 

Data Scientists пользуются средней зарплатой в 120 000 долларов. Это просто среднее! И дело не только в деньгах - это интересная работа! Если у вас есть опыт программирования или написания скриптов, этот курс научит вас методам, используемым настоящими учеными в области данных и специалистам по компьютерному обучению в технологической отрасли, и подготовит вас к переходу на этот горячий путь карьеры. Этот всеобъемлющий курс включает более 80 лекций, охватывающих 12 часов видео, и большинство тем включают практические примеры кода Python, которые вы можете использовать для справки и для практики. Я опишу свой 9-летний опыт работы в Amazon и IMDb, чтобы рассказать вам, что важно, а что нет.

Каждая концепция вводится на простом английском языке, избегая запутывания математических обозначений и жаргона. Затем демонстрируется все с использованием кода Python, с которым вы можете экспериментировать и основываться, а также заметки, которые вы можете сохранить для справок в будущем. Вы не найдете академического, глубоко математического освещения этих алгоритмов в этом курсе - основное внимание уделяется практическому пониманию и применению их. В конце вы получите окончательный проект, чтобы применить то, что вы узнали!

Темы в этом курсе взяты из анализа реальных потребностей в списках вакансий у ученых из крупнейших технических работодателей. Мы рассмотрим методы машинного обучения и интеллектуального анализа данных, которые ищут настоящие работодатели, в том числе:

  • Глубокое обучение / нейронные сети (MLP, CNN, RNN)
  • Регрессивный анализ
  • K-Means Clustering
  • Principal Component Analysis
  • Train/Test and cross validation
  • Bayesian Methods
  • Decision Trees and Random Forests
  • Многомерная регрессия
  • Многоуровневые модели
  • Поддержка векторных машин
  • Reinforcement Learning
  • Collaborative Filtering
  • K-Nearest Neighbor
  • Bias/Variance Tradeoff
  • Ensemble Learning
  • Временная частота / обратная частота документа
  • Экспериментальный дизайн и тесты A / B

...и многое другое! В Apache Spark также есть целый раздел по машинныому обучению, который позволяет масштабировать эти методы до «больших данных», анализируемых на вычислительном кластере. И вы также получите доступ к Facebook Group этого курса, где вы можете оставаться на связи со своими одноклассниками.

Если вы новичок в Python, не волнуйтесь - курс начинается с его основ. Если вы уже делали какое-то программирование раньше, вы должны быстро его понять. Этот курс показывает, как настроить на ПК под управлением Microsoft Windows; пример кода также будет работать на настольных системах MacOS или Linux, но я не могу предоставить им поддержку по ОС.

Если вы программист, который хочет переключиться на захватывающий новый карьерный путь или аналитик данных, желающий перейти в техническую отрасль - этот курс научит вас основным методам, используемым Data Scientists в области промышленности в реальном мире. Я думаю, вам понравится!

Требования


Вам понадобится настольный компьютер (Windows, Mac или Linux), способный запускать Enthought Canopy 1.6.2 или новее. Курс проведет вас через установку необходимого бесплатного программного обеспечения.


Требуется некоторое предварительное знания программирования или написания скриптов.


Требуются, по крайней мере, математические навыки средней школы.

Этот курс проходит через настройку на настольном ПК под управлением Microsoft Windows. Хотя код в этом курсе будет работать в других операционных системах, мы не сможем предоставить им поддержку ОС.

Твоя оценка

5 1
Следи за последними обновлениями и новостями в нашем coursehunters.club, или вступай в наш канал telegram.

Комментарии

Похожие курсы

07-06-2017 ru 17 уроков
specialist Data Science. Уровень1. Инструменты и технологии
Математическая статистика, запросы SQL, статистическая обработка данных с языком R - для тебя не пустой звук, но ты по-прежнему не варик что за Data Science ? Давай попробуем структуризировать твои знания и применить их на деле, решая типичную задачу, которую решают data scientist.Это отличный курс, который поможет тебе на практике увидить возможности Data Science, и познокомить с машинным обучением. В уроках мы детально разберем обработку и...
Duration 09:41:34
2 0
04-02-2018 en 22 урока
udemy Data Structures and Algorithmic Trading: Machine Learning
Структуры данных и алгоритмический трейдинг: машинное обучение, торговля на фондовом рынке, инвестирование в криптовалюты, создание робота Forex, все это мы разберем в нашем курсе. Структуры данных и алгоритмический трейдинг - это метод выполнения заказов с использованием автоматических запрограммированных торговых инструкций. Они были разработаны так, что трейдерам не нужно постоянно следить за запасом и повторно делать те же самые вещи...
Duration 02:20:32
3 0
03-09-2017 en 7 уроков
egghead Introductory Machine Learning Algorithms in Python with scikit-learn
Искусственный интеллект. Машинное обучение. Боты. Компьютеры учатся и общаются с нами, чтобы делать нашу жизнь проще. Но с чего начать? Как вы научите машину даже начать понимать что вы говорите или набираете? Существует несколько общих алгоритмов машинного обучения, которые помогут ответить на эти вопросы.
Duration 00:34:05
2 2
ru 9 уроков
specialist Data Science. Level 2. Applied Machine Learning
Обработка больших объемов данных (Big Data) – трудоемкий процесс. Раньше, чтобы компьютер мог выполнить даже простую задачу, программист должен был написать подробный алгоритм действий. Но теперь можно не составлять инструкции, а настраивать компьютер так, чтобы он сам на основе предложенных данных искал закономерности и делал выводы. Этот процесс называется машинным обучением - machine learning.Например, в качестве исходных данных есть...
Duration 14:02:29
0 0
ru 2 урока
specialist Основы работы с большими данными: Data Science Orientation (2018)
В процессе деятельности любая компания постоянно ищет новые способы развития: оптимизирует производство, улучшает бизнес-процессы, увеличивает вложения в рекламу и маркетинг, повышает уровень сервиса. Но если успехи компании сходят на нет, зачастую сложно понять, что именно идет не так и почему.Есть область, ресурсы которой еще не исчерпаны – это Data Science. Накопленные в компании данные, полученные из разных источников, таят в себе...
Duration 09:32:56
0 0

Последнее добавленное

Gulp Сборка. Ускорение верстки

Gulp Сборка. Ускорение верстки

ru
Как вам идея зарабатывать больше, ускорив свой рабочий процесс, за счет внедрения новых инструментов? Все еще используете HTML + CSS? Переходи на красную сторону силы! У нас есть Gulp - Автообновление в браузере, LESS/SASS разложен по модулям, Нет дублированию кода, Компонентый подход.
Веб-разработка Full-Stack | Node, SQL, React и многое другое

Веб-разработка Full-Stack | Node, SQL, React и многое другое

en
Создайте проект fullstack с помощью Node.js, PostgreSQL, SQL, React, Redux! API, аутентификация и многое другое! Это тот курс, который вам нужен, прежде чем стать инженером. Это тот курс, который был мне нужен, прежде чем я стал инженером-программистом, работающим в центре города в Сан-Франциско.
Изучение Blockchain разработки с EOS и C++

Изучение Blockchain разработки с EOS и C++

en
Изучите экосистему ЕOS dApp и узнайте, как писать и развертывать смарт-контракты в EOSIO блокчейн. Смарт-контракты? Они здесь. EOS Blockchain? Да. C ++? Тут! Не может быть никаких сомнений: технология EOS и blockchain является самой разрушительной силой за последние годы. Компании не могут...
Знакомство с API ВКонтакте от Тарасова Алексея

Знакомство с API ВКонтакте от Тарасова Алексея

ru
Курс о том, как отправлять запросы к программному интерфейсу сервиса ВКонтакте и получать или размещать информацию в соц. API – это программный интерфейс взаимодействия между главным приложением (ВКонтакте) и дополнительными внешними приложениями. С помощью HTTP запросов к специальному серверу...
Асинхронные методы и примеры в Python

Асинхронные методы и примеры в Python

en
Поддержка асинхронного и параллельного программирования Python сильно недооценена. В этом курсе вы узнаете весь спектр параллельных API-интерфейсов Python. Мы начнем с изучения новых и мощных асинхронных и ожидающих ключевых слов вместе с базовым модулем: asyncio. Затем мы перейдем к потокам...
chat
logo