чому ви навчитеся
- вивчення базового Python
- збір даних засобами Python (модулі re (робота з регулярними виразами), bs4 (синтаксичний аналізатор HTML/XML тексту))
- Робота з таблицями засобами Python (модуль pandas)
- неглибоке Машинне навчання засобами Python (модуль sklearn)
- Глибоке машинне навчання засобами Python (підмодуль keras модуля tensorflow)
- навички програмування не обов'язкові, оскільки в курсі є все необхідне
1. Вивчення базового Python
Змінні, константи, скалярні типи даних, колекції (складові типи даних), оператори, функції, модулі, виведення даних, інкапсуляція, спадкування, поліморфізм
2. Збір даних засобами Python (модулі re, bs4)
Робота з регулярними виразами, синтаксичний аналізатор HTML/XML тексту
3. Робота з таблицями даних засобами Python (модуль pandas)
Вибір і сортування даних таблиць, управління відсутніми даними таблиць, читання і запис таблиць, візуалізація даних таблиць
4. Неглибоке Машинне навчання засобами Python (модуль sklearn)
Методи:
- класифікації (персептрон, багатошаровий персептрон, машина опорних векторів класифікації, лінійний дискримінантний аналіз( LDA), логістична регресія, наївний Класифікатор Байєса, вирішальні дерева класифікації, Класифікатор найближчих сусідів, ансамблі класифікаторів),
- апроксимації (регресія найменших квадратів (OLS), регресія LASSO, регресія Ridge, регресія ElasticNet, регресія найменшого кута (LAR), регресія Байєса, узагальнена лінійна регресія (GLR), машина опорних векторів апроксимації, вирішальні дерева апроксимації, апроксиматор найближчих сусідів, ансамблі апроксиматорів),
- кластеризації (алгоритми центроїдні (K-середніх, зсуву середнього значення), моделей суміші (EM), щільнісні (DBSCAN, OPTICS), спектральні, ієрархічні),
- виявлення випадкових викидів (однокласова машина опорних векторів (one-class SVM), ізольований ліс, мінімальний коваріаційний визначник (MCD), фактор локальних викидів (LOF)),
- відновлення даних (обмежена машина Больцмана),
- лінійного зниження розмірності даних (аналіз головних компонент( PCA), розкладання по сингулярним значенням (SVD), факторний аналіз, аналіз незалежних компонент (ICA), факторизація невід'ємної матриці (NMF), лінійний дискримінантний аналіз (LDA), аналіз найближчих компонент (NCA)),
- нелінійного зниження розмірності даних (Isomap, локальне лінійне вкладання( LLE), спектральне вкладання, вирівнювання локального дотичного простору (LTSA), багатовимірне шкалювання (MDS), t-SNE),
- вибору ознак (на основі найменшої дисперсії, хі-квадрат, F-значення, взаємної інформації)
5. Глибоке машинне навчання засобами Python (підмодуль keras модуля tensorflow)
Створення штучних нейронних мереж (багатошаровий персептрон (MLP), каскадна нейромережа прямого поширення( CFNN), автоенкодер, шлюзовий рекурентний блок (GRU), Довга короткострокова пам'ять (LSTM), згорткова нейромережа (CNN)) для задач класифікації, апроксимації, відновлення даних
Для кого цей курс:
- розробники зацікавлені у вивченні інструментарію науки про дані (Data Science)
https://privatelink.de/?https://www.udemy.com/course/ds-pro-21/