[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.