2 合 1：Python 机器学习加上 30 小时 Python 训练营(2 in 1: Python Machine Learning PLUS 30 Hour Python Bootcamp)

课程 1：Python 机器学习 > 第 1 节 – 第 68 节

课程 2：Python 训练营 30 小时循序渐进 > 第 69 – 94 节

通过这个 2 合 1 课程，您可以获得的一切：

• 包含所有参考资料的 234 页机器学习工作簿
• 44 小时清晰简洁的分步说明、实践课程和参与
• 25 个 Python 编码文件，您可以下载并在训练营中跟随以加强您的学习
• 35个不同阶段的测验和知识检查来测试你的学习和确认你的成长
• 在本课程中向我们的学生社区介绍自己并告诉我们您的目标

鼓励和庆祝您的进步：25%、50%、75%，然后在您获得证书时为 100%

本课程将帮助您培养机器学习技能，以解决新数字世界中的现实问题。机器学习结合了计算机科学和统计学来分析原始实时数据、识别趋势并做出预测。参与者将探索为企业构建机器学习解决方案的关键技术和工具。您无需具备任何技术知识即可学习此技能。

你会学到什么：

• 定义机器学习的作用及其重要性
• 了解机器学习的作用
• 解释什么是统计学
• 了解不同类型的描述性统计
• 解释概率的含义及其重要性
• 定义概率过程如何发生
• 讨论目标和数据收集步骤的定义
• 了解数据准备和数据探索性分析步骤的不同概念
• 定义什么是监督学习
• 区分监督学习、无监督学习和强化学习之间的主要区别
• 了解三种机器学习类别之间的区别
• 探索两类监督学习的用法
• 解释线性回归的重要性
• 了解不同类型的逻辑回归
• 了解什么是集成开发环境及其重要性
• 了解开发人员使用集成开发环境的因素
• 了解有关如何执行加法操作的最重要因素并关闭 Jupyter Notebook
• 在 Python 中应用和使用各种操作
• 讨论 Python 中的算术运算
• 识别 Python 中不同类型的内置数据类型
• 了解字典内置数据类型的最重要注意事项
• 解释操作在 Python 中的用法及其重要性
• 了解逻辑运算符的重要性
• 定义不同类型的受控语句
• 能够创建和编写一个程序来找到最大数
• …和更多！

内容和概述

您将从机器学习的历史开始；传统编程与机器学习的区别；机器学习是做什么的；机器学习的定义；应用 Apple 排序示例经验；机器学习的作用；机器学习关键术语；统计基本术语；描述性统计——统计类型；描述性统计的类型；什么是推理统计；什么是分析及其类型；概率和现实生活中的例子；概率如何是一个过程；概率论；概率基础理论。

然后您将了解定义目标和数据收集步骤；数据准备和数据探索性分析步骤；建立机器学习模型和模型评估；机器学习过程中的预测步骤；机器如何解决问题-讲座概述；什么是监督学习；什么是无监督学习；什么是强化学习；监督学习、非监督学习和强化学习之间的主要区别；机器学习的三类；什么是回归、分类和聚类；两类监督学习；无监督学习类别；回归、分类和聚类的比较；什么是线性回归；线性回归的优点和缺点；线性回归的局限性；什么是逻辑回归；线性回归与逻辑回归的比较；逻辑回归的类型；逻辑回归的优点和缺点；逻辑回归的局限性；什么是决策树及其在机器学习中的重要性；决策树的优点和缺点。

我们还将介绍什么是集成开发环境；部分集成开发环境；为什么开发人员使用集成开发环境；哪个 IDE 用于机器学习；什么是开源 IDE；什么是 Python；与 Python 一起进行机器学习的最佳 IDE；Anaconda 分发平台和 Jupyter IDE；Jupyter 中的三个重要选项卡；在 Jupyter 中创建新的文件夹和笔记本；在笔记本中创建三个变量；如何检查笔记本中的可用变量；如何执行加法操作和关闭Jupyter Notebook；如何避免 Jupyter Notebook 中的错误；蟒蛇的历史；Python的应用；什么是变量-Python 基础；Python 变量命名规则；Python 中的数据类型；Python 中的算术运算；Python中的各种操作；Python中的比较操作；Python 中的逻辑运算；Python中的身份操作；Python 中的成员操作；Python 中的位运算；Python 中的数据类型；Python 中的运算符；Python 中的控制语句；Python 中的库；Python 中的库；什么是 Scipy 库；什么是 Pandas 图书馆；什么是 Statsmodel 及其特点；

本课程还将处理数据可视化和 Scikit Learn；什么是数据可视化；Matplotib 库；海洋图书馆；Scikit 学习库；什么是数据集；数据集的组成部分；数据收集和准备；数据收集的含义；理解数据；探索性数据分析；探索性数据分析方法；数据预处理；分类变量；数据预处理技术。

本课程还将讨论什么是线性回归及其用例；线性回归数据集；导入库和加载数据集——线性回归的步骤；删除索引列-线性回归的步骤；探索预测变量和响应变量之间的关系；Pairplot方法解释；Corr和Heatmap方法解释；创建简单的线性回归模型；解释模型系数；使用我们的模型进行预测；模型评估指标；线性回归的实现-讲座概述；在 Jupyter Notebook 中上传数据集；导入库并将数据集加载到 Dataframe 中；删除索引列；探索性分析 – 预测变量和响应的关系；创建线性回归模型；模型系数；做出预测；模型性能评估。

接下来，您将了解模型评估指标和逻辑回归 – 糖尿病模型。

谁是导师？

来自 Digital Regenesys 的 Samidha Kurle 是您的首席讲师 – 一位以其教学技能和机器学习专业知识为生的专业人士。她与内容创作者 Peter Alkema 一起为您带来了这门令人惊叹的新课程。

您将获得优质支持和反馈，帮助您对财务更有信心！