[Udemy] Машинное обучение в Python: Machine Learning & Data Science (Jose Portilla, Влад Бурмистров)

Добро пожаловать на самый полный курс по Машинному Обучению и Data Science!
Этот курс — лучший способ начать с нуля и стать специалистом по data science и машинному обучению с помощью Python.
Это русскоязычная версия курса, который Хосе и его команда готовили больше года. И это уже после того, как предыдущие курсы прошли более 2 миллионов слушателей.
Этот объёмный курс может заменить Вам целый набор других курсов, которые могут стоить в десятки раз больше.
В этом курсе Вы изучите следующие темы:
— Программирование в Python (экспресс-курс)
— NumPy в Python
— Детальное изучение Pandas для анализа и предварительной обработки данных
— Детальное изучение Seaborn для визуализации данных (включая Matplotlib для кастомизации графиков)
— Машинное обучение с помощью SciKit Learn, включая следующие темы:
— Linear Regression — Линейная Регрессия;
— Regularization — Регуляризация;
— Lasso Regression — Лассо-Регрессия;
— Ridge Regression — Ридж-Регрессия;
— Регуляризация Elastic Net;
— Logistic Regression — Логистическая регрессия;
— K Nearest Neighbors — Метод К-ближайших соседей;
— Decision Trees — Деревья решений;
— Random Forests — Случайные леса;
— AdaBoost, GradientBoosting — Адаптивный бустинг, Градиентный бустинг;
— Natural Language Processing — Обработка языковых данных;
— K Means Clustering — Кластеризация К-средних;
— Hierarchical Clustering — Иерархическая кластеризация;
— DBSCAN (Density-based spatial clustering of applications with noise) — Кластеризация на основе плотности данных;
— PCA — Principal Component Analysis — Метод главных компонент;
— И многое, многое другое!
Внутри курса находится набор блокнотов Jupyter Notebook на русском языке с примерами кода и детальным описанием. Для каждого лекции это отдельные блокноты, которые разложены по папкам с соответствии с разделами курса. Так что, Вы сможете не только просмотреть видео-лекции, но и прочитать блокноты. Это особенно удобно, когда Вам нужно что-то вспомнить, или быстро пробежаться по материалу в поисках нужной информации.
Объем: 14.29 Гб.