Машинное обучение от А до Я: станьте мастером Kaggle - Видеоуроки

Machine Learning A-Z : Become Kaggle Master
Duration 36:23:54
Открыть все курсы от udemy

Machine Learning A-Z : Become Kaggle Master - Полный список уроков

Развернуть / Свернуть
  • Урок 1. Introduction to the course 00:13:59
  • Урок 2. Introduction to Kaggle 00:09:02
  • Урок 3. Installation of Python and Anaconda 00:09:02
  • Урок 4. Python Introduction 00:03:34
  • Урок 5. Variables in Python 00:15:05
  • Урок 6. Numeric Operations in Python 00:05:28
  • Урок 7. Logical Operations 00:02:25
  • Урок 8. If else Loop 00:08:16
  • Урок 9. for while Loop 00:10:18
  • Урок 10. Functions 00:11:19
  • Урок 11. String Part1 00:12:43
  • Урок 12. String Part2 00:03:02
  • Урок 13. List Part1 00:03:06
  • Урок 14. List Part2 00:10:49
  • Урок 15. List Part3 00:08:53
  • Урок 16. List Part4 00:08:11
  • Урок 17. Tuples 00:08:42
  • Урок 18. Sets 00:07:28
  • Урок 19. Dictionaries 00:07:36
  • Урок 20. Comprehentions 00:07:09
  • Урок 21. Introduction 00:06:20
  • Урок 22. Numpy Operations Part1 00:19:21
  • Урок 23. Numpy Operations Part2 00:24:27
  • Урок 24. Introduction 00:06:30
  • Урок 25. Series 00:07:59
  • Урок 26. DataFrame 00:07:54
  • Урок 27. Operations Part1 00:01:24
  • Урок 28. Operations Part2 00:05:11
  • Урок 29. Indexes 00:06:07
  • Урок 30. loc and iloc 00:07:28
  • Урок 31. Reading CSV 00:05:29
  • Урок 32. Merging Part1 00:03:44
  • Урок 33. groupby 00:05:26
  • Урок 34. Merging Part2 00:04:26
  • Урок 35. Pivot Table 00:03:25
  • Урок 36. Linear Algebra : Vectors 00:43:18
  • Урок 37. Linear Algebra : Matrix Part1 00:15:44
  • Урок 38. Linear Algebra : Matrix Part2 00:16:22
  • Урок 39. Linear Algebra : Going From 2D to nD Part1 00:08:45
  • Урок 40. Linear Algebra : 2D to nD Part2 00:06:54
  • Урок 41. Inferential Statistics 00:03:02
  • Урок 42. Probability Theory 00:13:16
  • Урок 43. Probability Distribution 00:05:00
  • Урок 44. Expected Values Part1 00:04:53
  • Урок 45. Expected Values Part2 00:03:15
  • Урок 46. Without Experiment 00:06:02
  • Урок 47. Binomial Distribution 00:04:12
  • Урок 48. Commulative Distribution 00:02:25
  • Урок 49. PDF 00:04:44
  • Урок 50. Normal Distribution 00:05:01
  • Урок 51. z Score 00:04:45
  • Урок 52. Sampling 00:09:42
  • Урок 53. Sampling Distribution 00:06:17
  • Урок 54. Central Limit Theorem 00:03:08
  • Урок 55. Confidence Interval Part1 00:07:15
  • Урок 56. Confidence Interval Part2 00:03:19
  • Урок 57. Introduction 00:08:30
  • Урок 58. NULL And Alternate Hypothesis 00:06:29
  • Урок 59. Examples 00:05:47
  • Урок 60. One/Two Tailed Tests 00:08:02
  • Урок 61. Critical Value Method 00:04:19
  • Урок 62. z Table 00:07:37
  • Урок 63. Examples 00:03:18
  • Урок 64. More Examples 00:03:03
  • Урок 65. p Value 00:05:16
  • Урок 66. Types of Error 00:02:54
  • Урок 67. t- distribution Part1 00:03:28
  • Урок 68. t- distribution Part2 00:02:43
  • Урок 69. Matplotlib 00:19:55
  • Урок 70. Seaborn 00:20:26
  • Урок 71. Case Study 00:10:24
  • Урок 72. Seaborn On Time Series Data 00:04:27
  • Урок 73. Introduction 00:01:07
  • Урок 74. Data Sourcing and Cleaning part1 00:05:07
  • Урок 75. Data Sourcing and Cleaning part2 00:03:15
  • Урок 76. Data Sourcing and Cleaning part3 00:04:00
  • Урок 77. Data Sourcing and Cleaning part4 00:03:57
  • Урок 78. Data Sourcing and Cleaning part5 00:03:31
  • Урок 79. Data Sourcing and Cleaning part6 00:04:15
  • Урок 80. Data Cleaning part1 00:14:42
  • Урок 81. Data Cleaning part2 00:09:27
  • Урок 82. Univariate Analysis Part1 00:22:23
  • Урок 83. Univariate Analysis Part2 00:17:33
  • Урок 84. Segmented Analysis 00:06:47
  • Урок 85. Bivariate Analysis 00:13:00
  • Урок 86. Derived Columns 00:12:15
  • Урок 87. Introduction to Machine Learning 00:02:14
  • Урок 88. Types of Machine Learning 00:08:57
  • Урок 89. Introduction to Linear Regression (LR) 00:03:06
  • Урок 90. How LR Works? 00:09:18
  • Урок 91. Some Fun With Maths Behind LR 00:09:30
  • Урок 92. R Square 00:10:54
  • Урок 93. LR Case Study Part1 00:14:49
  • Урок 94. LR Case Study Part2 00:04:54
  • Урок 95. LR Case Study Part3 00:04:26
  • Урок 96. Residual Square Error (RSE) 00:01:04
  • Урок 97. Introduction 00:03:16
  • Урок 98. Case Study part1 00:07:38
  • Урок 99. Case Study part2 00:10:38
  • Урок 100. Case Study part3 00:06:05
  • Урок 101. Adjusted R Square 00:00:46
  • Урок 102. Case Study Part1 00:07:09
  • Урок 103. Case Study Part2 00:09:18
  • Урок 104. Case Study Part3 00:06:37
  • Урок 105. Case Study Part4 00:14:39
  • Урок 106. Case Study Part5 00:04:52
  • Урок 107. Case Study Part6 (RFE) 00:06:22
  • Урок 108. Introduction to the Problem Statement 00:05:18
  • Урок 109. Playing With Data 00:09:30
  • Урок 110. Building Model Part1 00:04:43
  • Урок 111. Building Model Part2 00:07:41
  • Урок 112. Building Model Part3 00:03:52
  • Урок 113. Verification of Model 00:03:36
  • Урок 114. Pre-Req For Gradient Descent Part1 00:15:58
  • Урок 115. Pre-Req For Gradient Descent Part2 00:09:00
  • Урок 116. Cost Functions 00:02:22
  • Урок 117. Defining Cost Functions More Formally 00:07:26
  • Урок 118. Gradient Descent 00:10:51
  • Урок 119. Optimisation 00:04:14
  • Урок 120. Closed Form Vs Gradient Descent 00:04:53
  • Урок 121. Gradient Descent case study 00:05:40
  • Урок 122. Introduction to Classification 00:12:55
  • Урок 123. Defining Classification Mathematically 00:07:31
  • Урок 124. Introduction to KNN 00:11:34
  • Урок 125. Accuracy of KNN 00:12:45
  • Урок 126. Effectiveness of KNN 00:12:54
  • Урок 127. Distance Metrics 00:12:21
  • Урок 128. Distance Metrics Part2 00:08:31
  • Урок 129. Finding k 00:09:36
  • Урок 130. KNN on Regression 00:02:53
  • Урок 131. Case Study 00:07:56
  • Урок 132. Classification Case1 00:22:16
  • Урок 133. Classification Case2 00:15:03
  • Урок 134. Classification Case3 00:13:35
  • Урок 135. Classification Case4 00:12:38
  • Урок 136. Performance Metrics Part1 00:21:16
  • Урок 137. Performance Metrics Part2 00:15:17
  • Урок 138. Performance Metrics Part3 00:05:09
  • Урок 139. Model Creation Case1 00:11:37
  • Урок 140. Model Creation Case2 00:07:39
  • Урок 141. Gridsearch Case study Part1 00:11:36
  • Урок 142. Gridsearch Case study Part2 00:15:03
  • Урок 143. Introduction to Naive Bayes 00:14:58
  • Урок 144. Bayes Theorem 00:10:55
  • Урок 145. Practical Example from NB with One Column 00:08:45
  • Урок 146. Practical Example from NB with Multiple Columns 00:11:31
  • Урок 147. Naive Bayes On Text Data Part1 00:08:43
  • Урок 148. Naive Bayes On Text Data Part2 00:05:11
  • Урок 149. Laplace Smoothing 00:04:11
  • Урок 150. Bernoulli Naive Bayes 00:01:38
  • Урок 151. Case Study 1 00:08:41
  • Урок 152. Case Study 2 Part1 00:06:52
  • Урок 153. Case Study 2 Part2 00:02:10
  • Урок 154. Introduction 00:07:31
  • Урок 155. Sigmoid Function 00:10:19
  • Урок 156. Log Odds 00:10:01
  • Урок 157. Case Study 00:16:29
  • Урок 158. Introduction 00:15:06
  • Урок 159. Hyperplane Part1 00:06:28
  • Урок 160. Hyperplane Part2 00:14:06
  • Урок 161. Maths Behind SVM 00:07:38
  • Урок 162. Support Vectors 00:04:04
  • Урок 163. Slack Variable 00:09:59
  • Урок 164. SVM Case Study Part1 00:06:25
  • Урок 165. SVM Case Study Part2 00:06:49
  • Урок 166. Kernel Part1 00:08:55
  • Урок 167. Kernel Part2 00:12:34
  • Урок 168. Case Study : 2 00:07:28
  • Урок 169. Case Study : 3 Part1 00:08:46
  • Урок 170. Case Study : 3 Part2 00:05:24
  • Урок 171. Case Study 4 00:16:33
  • Урок 172. Introduction 00:07:21
  • Урок 173. Example of DT 00:07:51
  • Урок 174. Homogenity 00:05:02
  • Урок 175. Gini Index 00:07:05
  • Урок 176. Information Gain Part1 00:05:24
  • Урок 177. Information Gain Part2 00:05:14
  • Урок 178. Advantages and Disadvantages of DT 00:04:11
  • Урок 179. Preventing Overfitting Issues in DT 00:09:59
  • Урок 180. DT Case Study Part1 00:10:36
  • Урок 181. DT Case Study Part2 00:09:06
  • Урок 182. Introduction to Ensembles 00:10:15
  • Урок 183. Bagging 00:13:10
  • Урок 184. Advantages 00:04:39
  • Урок 185. Runtime 00:03:53
  • Урок 186. Case study 00:05:41
  • Урок 187. Introduction to Boosting 00:06:06
  • Урок 188. Weak Learners 00:02:54
  • Урок 189. Shallow Decision Tree 00:02:31
  • Урок 190. Adaboost Part1 00:07:49
  • Урок 191. Adaboost Part2 00:06:45
  • Урок 192. Adaboost Case Study 00:04:47
  • Урок 193. XGBoost 00:04:28
  • Урок 194. Boosting Part1 00:03:10
  • Урок 195. Boosting Part2 00:06:49
  • Урок 196. XGboost Algorithm 00:08:36
  • Урок 197. Case Study Part1 00:09:40
  • Урок 198. Case Study Part2 00:10:45
  • Урок 199. Case Study Part3 00:05:34
  • Урок 200. Model Selection Part1 00:21:29
  • Урок 201. Model Selection Part2 00:12:32
  • Урок 202. Model Selection Part3 00:09:42
  • Урок 203. Introduction to Clustering 00:10:38
  • Урок 204. Segmentation 00:07:22
  • Урок 205. Kmeans 00:08:08
  • Урок 206. Maths Behind Kmeans 00:10:23
  • Урок 207. More Maths 00:02:22
  • Урок 208. Kmeans plus 00:10:11
  • Урок 209. Value of K 00:06:44
  • Урок 210. Hopkins test 00:02:32
  • Урок 211. Case Study Part1 00:10:56
  • Урок 212. Case Study Part2 00:06:48
  • Урок 213. More on Segmentation 00:04:13
  • Урок 214. Hierarchial Clustering 00:07:34
  • Урок 215. Case Study 00:05:35
  • Урок 216. Introduction 00:30:26
  • Урок 217. PCA 00:25:59
  • Урок 218. Maths Behind PCA 00:24:25
  • Урок 219. Case Study Part1 00:05:16
  • Урок 220. Case Study Part2 00:15:27
  • Урок 221. Introduction 00:07:20
  • Урок 222. Example Part1 00:05:24
  • Урок 223. Example Part2 00:09:07
  • Урок 224. Optimal Solution 00:15:23
  • Урок 225. Case study 00:03:25
  • Урок 226. Regularization 00:09:01
  • Урок 227. Ridge and Lasso 00:07:03
  • Урок 228. Case Study 00:08:51
  • Урок 229. Model Selection 00:05:32
  • Урок 230. Adjusted R Square 00:03:20
  • Урок 231. Expectations 00:02:42
  • Урок 232. Introduction 00:09:13
  • Урок 233. History 00:15:39
  • Урок 234. Perceptron 00:07:18
  • Урок 235. Multi Layered Perceptron 00:13:07
  • Урок 236. Neural Network Playground 00:10:27
  • Урок 237. Introduction to the Problem Statement 00:08:41
  • Урок 238. Playing With The Data 00:14:34
  • Урок 239. Translating the Problem In Machine Learning World 00:09:54
  • Урок 240. Dealing with Text Data 00:08:02
  • Урок 241. Train, Test And Cross Validation Split 00:10:24
  • Урок 242. Understanding Evaluation Matrix: Log Loss 00:16:56
  • Урок 243. Building A Worst Model 00:08:43
  • Урок 244. Evaluating Worst ML Model 00:05:49
  • Урок 245. First Categorical column analysis 00:12:14
  • Урок 246. Response encoding and one hot encoder 00:05:07
  • Урок 247. Laplace Smoothing and Calibrated classifier 00:12:06
  • Урок 248. Significance of first categorical column 00:06:54
  • Урок 249. Second Categorical column 00:04:08
  • Урок 250. Third Categorical column 00:06:53
  • Урок 251. Data pre-processing before building machine learning model 00:04:24
  • Урок 252. Building Machine Learning model :part1 00:13:12
  • Урок 253. Building Machine Learning model :part2 00:11:39
  • Урок 254. Building Machine Learning model :part3 00:03:18
  • Урок 255. Building Machine Learning model :part4 00:03:14
  • Урок 256. Building Machine Learning model :part5 00:03:49
  • Урок 257. Building Machine Learning model :part6 00:06:33

Изучите основные алгоритмы машинного обучения с использованием Python от начального до супер продвинутого уровня, включая математические знания. Хотите стать хорошим специалистом по данным? Тогда это правильный курс для вас. Этот курс был разработан специалистами IIT, которые освоили математику и науку о данных. Мы рассмотрим сложные теории, алгоритмы и библиотеки программирования очень простым способом, который может быть легко понят любым новичком.

Мы шаг за шагом проведем вас в мир машинного обучения. С каждым учебным пособием вы будете развивать новые навыки и улучшать свое понимание этой сложной, но прибыльной области науки о данных от начального до продвинутого уровня.

Мы решили несколько проблем Kaggle во время этого курса и предоставили комплексные решения, чтобы студенты могли легко конкурировать на реальных веб-сайтах.

В этом курсе мы подробно рассмотрели следующие темы:

  • 1. Основы Python
  • 2. Numpy
  • 3. Pandas
  • 4. Немного веселья с математикой
  • 5. Логическая статистика
  • 6. Проверка гипотез
  • 7. Визуализация данных
  • 8. EDA
  • 9. Простая линейная регрессия
  • 10. Множественная линейная регрессия
  • 11. Hotstar / Netflix: тематическое исследование
  • 12. Gradient Descent 
  • 13. KNN
  • 14. Показатели производительности модели
  • 15. Выбор модели
  • 16. Naive Bayes 
  • 17. Логистическая регрессия
  • 18. SVM
  • 19. Дерево решений
  • 20. Ensembles - Bagging / Boosting 
  • 21. Unsupervised Learning 
  • 22. Уменьшение размеров
  • 23. Продвинутые алгоритмы
  • 24. Глубокое обучение (Deep Learning )

Твоя оценка

3 0
Следи за последними обновлениями и новостями в нашем coursehunter-club.net (Ex coursehunters.club), или вступай в наш канал telegram.

Комментарии

Похожие курсы

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 3
30-11--0001 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
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
21-03-2018 en 87 уроков
udemy Data Science, Deep Learning, & Machine Learning with Python
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...
Duration 12:00:39
9 2
30-12-2018 ru 9 уроков
OTUS Deep Learning Engineer
Программа курса создана специально для тех, кто уже знаком с классическим машинным обучением и хочет погрузиться в мир нейронных сетей и глубокого обучения, получив навыки уровня Middle/Senior. Знания также пригодятся начинающим специалистам в нейронных сетях, которые намерены быстро и систематизировано выйти на высокие позиции в крупных IT-компаниях.
Duration 18:54:12
0 0

Последнее добавленное

Разработчик на Spring Framework

Разработчик на Spring Framework

ru
Курс будет полезен всем. От Junior Java-программистов, не имеющих опыта работы со Spring, с минимальным опытом с IoC-контейнером Spring или испытывающих трудности с ним до архитекторов и тех.лидов, желающих узнать про современные возможности Spring для решения высокоуровневых задач.
Appium Android: простое руководство по автоматизации тестирования

Appium Android: простое руководство по автоматизации тестирования

en
Автоматизируйте собственное тестирование мобильных приложений под Android с помощью Appium и Java. Работа с реальными устройствами и эмуляторами Android. Этот курс по автоматизации тестирования мобильных приложений c Appium обучает вас простому, прямому подходу, всего за 5,5 часов видео...
Gatsby - Генератор статических сайтов для React - Полное руководство

Gatsby - Генератор статических сайтов для React - Полное руководство

en
Создавайте потрясающие сверхбыстрые веб-сайты с помощью React и GraphQL, начинайте работу со стеком JAM и подходом Headless CMS. В этом курсе вы узнаете, как создавать удивительные и сверхбыстрые статические веб-сайты с помощью Gatsby.js. Gatsby - это невероятно быстрый современный генератор...
Изучение Python, Tkinter и Django

Изучение Python, Tkinter и Django

ru
​Данный видео курс предназначен для людей, которые хотят научиться программировать на языке Python. В курсе будут рассмотрены базовые моменты языка Питон, а также рассмотрена тема работы с библиотеками. Вы научитесь писать программы под ПК при помощи фреймворка TKinter, а также создавать мощные...
Serverless React c AWS Amplify - Полное Руководство

Serverless React c AWS Amplify - Полное Руководство

en
Создавайте полнофункциональные приложения React быстрее, чем когда-либо, которые масштабируются до миллионов пользователей и работают исключительно в облаке! Хотите создавать удивительные, производительные и в целом лучшие приложения React? Смотрите не дальше, чем AWS Amplify. Этот курс - лучшее...
BDD с Cucumber и Serenity BDD

BDD с Cucumber и Serenity BDD

en
Изучите все навыки, необходимые для работы BDD в вашей команде, используя BDD Cucumber и Serenity. BDD, - это чрезвычайно эффективная практика доставки программного обеспечения, которая помогает командам лучше сотрудничать и сосредоточиться на предоставлении действительно важных функций. Cucumber...
Курс по айдентике

Курс по айдентике

ru
В основе курса методика, которая применяется в российских брендинговых агентствах и Высшей Школе Брендинга. Курс записан в ноябре 2017, состоит из 20 вебинаров. Каждая лекция завершается домашним заданием и списком полезных книг для развития навыка. Вы можете выполнять один из учебных брифов...
chat
logo