2022 机器学习 A 到 Z：5 个机器学习项目 ( 2022 Machine Learning A to Z : 5 Machine Learning Projects )

教程演示🔗

课程描述

本课程将带您一步步进入机器学习的世界。机器学习是对自动分析模型构建的计算机算法的研究。它是人工智能的一个分支，其理念是系统可以从数据中学习、识别模式并在最少的人工干预下做出决策。今天，机器学习正在被积极地使用，也许在比一个世界预期的更多的地方。它包含很多主题，本课程将逐步涵盖所有主题。本机器学习课程将为您提供机器学习的理论和实践知识。这个机器学习课程既有趣又令人兴奋。它将涵盖所有常见和重要的算法，并将为您提供一些实际项目的工作经验。我们详细介绍了每一个主题，还学会了将它们应用于现实世界的问题。有很多很多练习供您练习，还有 5 分奖金的 Python 机器学习项目“员工晋升预测”、“预测医疗保健费用”、“确定贷款申请人的状态”和“优化作物生产”。
在此 Python 机器学习员工晋升预测项目中，您将学习如何实施预测模型来识别适合晋升的员工。另外，学习如何平衡不平衡的数据集。在这个 Python 机器学习预测医疗保健费用项目中，您将学习如何使用线性回归、随机森林、梯度提升等实现回归分析预测模型来预测人们的未来医疗费用。在这个 Python 机器学习中确定状态贷款申请人项目，您将学习如何实施分类分析预测模型来确定一个人是否应该获得贷款。在这个 Python 机器学习优化作物生产项目中，您将了解使用聚类分析和分类分析等数据科学技术的精准农业。您将能够向农民推荐最好的农作物以提高他们的生产力。

你会学到什么

• 使用 sklearn 进行线性回归的理论和实际实现。
• 使用 sklearn 进行逻辑回归的理论和实际实现。
• 使用 RFECV 进行特征选择。
• 使用线性和逻辑回归进行数据转换。
• 用于分析模型性能的评估指标。
• 线性和逻辑回归的行业相关性。
• KNN、SVM 和朴素贝叶斯算法背后的数学。
• 使用 sklearn 实现 KNN、SVM 和朴素贝叶斯。
• 属性选择方法——基尼指数和熵。
• 决策树和随机森林背后的数学。
• 提升算法：- Adaboost、梯度提升和 XgBoost。
• 不同的聚类算法。
• 处理不平衡数据的不同方法。
• 相关过滤的实现。

本课程适合谁

• 使用 sklearn 进行线性回归的理论和实际实现。
• 使用 sklearn 进行逻辑回归的理论和实际实现。
• 使用 RFECV 进行特征选择。
• 使用线性和逻辑回归进行数据转换。
• 用于分析模型性能的评估指标。
• 线性和逻辑回归的行业相关性。
• KNN、SVM 和朴素贝叶斯算法背后的数学。
• 使用 sklearn 实现 KNN、SVM 和朴素贝叶斯。
• 属性选择方法——基尼指数和熵。
• 决策树和随机森林背后的数学。
• 提升算法：- Adaboost、梯度提升和 XgBoost。
• 不同的聚类算法。
• 处理不平衡数据的不同方法。
• 相关过滤的实现。

2022 年机器学习规范 A 到 Z：5 个机器学习项目

• 发行商：Udemy
• 老师：数据就是好学院
• 英语语言
• 级别：所有级别
• 课程数 : 412
• 持续时间：26 小时 15 分钟

2022 年机器学习 A 到 Z 的内容：5 个机器学习项目

要求

• 为了理解本课程，您应该充分了解线性代数、微积分、统计学、概率和 Python 编程语言。
• 对成功的积极态度。
• 坚持学习

图片