×
Dodano do koszyka:
Pozycja znajduje się w koszyku, zwiększono ilość tej pozycji:
Zakupiłeś już tę pozycję:
Książkę możesz pobrać z biblioteki w panelu użytkownika
Pozycja znajduje się w koszyku
Przejdź do koszyka

Zawartość koszyka

ODBIERZ TWÓJ BONUS :: »
Play
Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego
Autor:
Oleg Żero
Długość
liczba lekcji: 57, czas trwania: 10:47:52
Ocena

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 0,00 zł

Kup kurs 99,49 zł

Kurs video

Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego

(ebook) (audiobook) (audiobook)
Autor:
Oleg Żero
Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego Oleg Żero - okladka książki

Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego Oleg Żero - okladka książki

Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego Oleg Żero - audiobook MP3

Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego Oleg Żero - audiobook CD

Wydawnictwo:
Videopoint
Wersja:
Online
Czas trwania:
10 godz. 47 min.
Technologia:
tensorflow, Python 3.6, pandas, sklearn, matplotlib, pydotplus, jupyter, graphviz, numpy
Ocena:
6.0/6  Opinie: 3

Videokurs
Online
(89,55 zł najniższa cena z 30 dni)

199,00 zł (-50%)
99,49 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

(89,55 zł najniższa cena z 30 dni)

Przenieś na półkę

Do przechowalni

Kurs z certyfikatem
Do kursu dołączamy materiały dodatkowe
  1. 1. Wprowadzenie 00:11:01

  2. 2. Regresja liniowa 00:28:48

  3. 3. Regresja dla wielu zmiennych 00:29:19

  4. 4. Regresja wielomianowa 00:32:08

  5. 5. Klasyfikacja 00:38:10

  6. 6. Regularyzacja 00:34:22

  7. 7. Sieć neuronowa 01:11:27

  8. 8. Maszyna wektorów nośnych (SVM) 00:30:02

  9. 9. K najbliższych sąsiadów (KNN) 00:18:35

  10. 10. Algorytm k centroidów (KMC) 00:21:20

  11. 11. Analiza głównych składowych (PCA) 00:29:08

  12. 12. Drzewo decyzyjne i las losowy 00:37:12

  13. 13. Modele probabilistyczne i twierdzenie Bayesa 00:33:09

  14. 14. Wykrywanie anomalii oraz metryki 00:29:49

  15. 15. Silniki rekomendacyjne 01:58:28

  16. 16. Ekstrakcja cech i NLP 01:24:54

Obierz kurs na... przyszłość

Powszechna cyfryzacja nie dotyka jedynie wybranych gałęzi przemysłu, ale dosłownie przeniknęła nasze życie niemal w każdym aspekcie. Skutkiem tego procesu jest pojawienie się ogromnej ilości danych, które, odpowiednio wykorzystane, stanowią nowy rodzaj materii w nieprzerwanym cyklu postępu. Uczenie maszynowe stało się jednocześnie obszarem szczególnego zainteresowania ze strony zarówno firm, jak i uczelni. Dzięki specjalnym algorytmom i technikom możliwe stało się wykorzystanie zasobów, jakimi są dane, do opracowywania rozwiązań poprawiających efektywność w wielu dziedzinach: od robotyki, przez medycynę, aż po rozrywkę.

Przykładami rozwiązań, które już dziś wykorzystują uczenie maszynowe, są chociażby silniki rekomendacyjne działające na platformach takich jak YouTube, Netflix, Spotify czy Amazon. Silniki te skutecznie dobierają treści, tak że wokół produktów tworzą się całe społeczności wiernie oddanych klientów. To wszystko dzieje się obecnie. W niedalekiej przyszłości wiele - także dość skomplikowanych - czynności zostanie zautomatyzowanych. Zawody, również te potencjalnie wymagające wysokich kwalifikacji, nawet jeśli nie będą w całości wykonywane przez maszyny, będą przez nie wspomagane. Jest niemal pewne, że specjaliści między innymi w dziedzinie uczenia maszynowego, którzy już dziś są intensywnie poszukiwani, staną się jeszcze bardziej pożądani w przyszłości. Dołącz do ich grona!

Co Cię czeka podczas naszego profesjonalnego szkolenia?

Dzięki temu kursowi video:

  • pojmiesz istotę działania algorytmów uczenia maszynowego,
  • zrozumiesz związek pomiędzy podstawą matematyczną a implementacją tych algorytmów i w razie czego będziesz umiał napisać je od zera (także w języku innym niż Python),
  • dowiesz się, jak korzystać z popularnych i sprawdzonych bibliotek dedykowanych uczeniu maszynowemu: scikit-learn oraz Keras,
  • stworzysz własny silnik rekomendacyjny,
  • poprawnie przeprowadzisz proces przygotowania danych oraz trenowania modelu,
  • ocenisz, który algorytm najlepiej sprawdzi się w rozwiązaniu danego problemu, a który może doprowadzić do niepożądanych efektów,
  • opanujesz wiedzę, która pozwoli Ci szacować skuteczność modeli oraz diagnozować problemy związane z procesem uczenia maszynowego.

Co więcej...

  • ukończywszy kurs, będziesz w stanie właściwie podejść do pracy z różnymi typami danych w kontekście uczenia maszynowego, jak również przenieść sporą część tej wiedzy poza obszar Pythona.

Data science w Pythonie. Kurs video. Algorytmy uczenia maszynowego kończy się na poziomie średnio zaawansowanym, a nawet nieco wyżej, jeśli chodzi o wiedzę i umiejętności, jakich wymaga się na przykład od analityka biznesowego, naukowca, inżyniera danych czy webdevelopera. Natomiast jeśli mowa o wiedzy stricte z zakresu data science, autor kursu określa poziom jego absolwenta na podstawowy. Uwaga, by móc w pełni skorzystać ze szkolenia, trzeba znać podstawy języka Python (w tym orientować się w bibliotekach: numpy, pandas, matplotlib) i matematykę na poziomie pierwszego - drugiego roku studiów na kierunkach ścisłych. Takie pojęcia jak gradient, pochodna, szereg, prawdopodobieństwo czy notacja nie powinny być Ci obce!

Czym właściwie zajmuje się specjalista w dziedzinie data science?

Odpowiedź na to pytanie jest krótka i - jak to w matematyce - policzalna. Aż 70 procent czasu pracy spędza się w tym zawodzie na zbieraniu i analizie danych, by potem, przez kolejne 20 procent, tworzyć i testować modele, które "ubiera się" w programy, a następnie wykorzystuje do otrzymywania przewidywań z modeli. Przykładami takich modeli, jakie stosuje się już dziś w kontekście biznesowym, są między innymi silniki rekomendacyjne (Netflix, YouTube, eBay, Amazon, Spotify itd.), modele do klasyfikacji obrazów medycznych w celu rozpoznawania ewentualnych infekcji, systemy do automatycznych tłumaczeń (patrz Google) czy popularne boty - i wiele innych.

Od teorii, przez praktykę, aż po gotowe rozwiązania

Kurs składa się z trzech bloków szkoleniowych. Zaczniemy od teorii data science. Tu przygotuj się na serię wykładów, w których autor wprowadza pojęcia na poziomie równań, wyjaśniając je od podstaw. Bazując na wiedzy zdobytej w części teoretycznej, przejdziemy do praktyki - będziesz pisać algorytm "od zera", a przy tym pogłębisz rozumienie koncepcji matematycznych i przy okazji napiszesz kod. Wreszcie przyjdzie czas na część trzecią, podczas której będziemy sprytni i sięgniemy po tzw. gotowce - przede wszystkim scikit-learn i Keras. Przy użyciu tych bibliotek rozwiążemy zadany problem, skupiając się zarówno na samym zagadnieniu, jak i ogólnym podejściu do problemu. W kursie połączysz teorię z praktyką. Dzięki temu osiągniesz dwa cele: wyrobisz w sobie intuicję matematyczną, która w razie potrzeby pozwoli Ci przenieść to rozumienie również poza Pythona, oraz zyskasz pewne doświadczenie w wykorzystywaniu powszechnie dostępnych narzędzi i w ten sposób zwiększysz skuteczność swojej pracy.

Kurs jest podzielony na 16 rozdziałów. W pierwszym rozdziale stworzysz proste środowisko pracy. Dalej, w rozdziałach 2 - 8, poznasz podstawowe algorytmy, takie jak sieci neuronowe, oraz zrozumiesz, na czym polega ogólne podejście machinelearningowe. W rozdziałach 9 - 13 poznasz kolejne, nieco alternatywne, lecz równie często wykorzystywane algorytmy, których idea opiera się na innych zasadach. Na koniec, w ramach rozdziałów: 14, 15 i 16, stworzysz własny silnik rekomendacyjny, który następnie usprawnisz z wykorzystaniem popularnych metod pracy z tekstem (NLP), by uzyskać półgotowy produkt na koniec kursu.

Wybrane bestsellery

O autorze książki

Oleg Żero - Data Scientist, który, jak to określa, lubi wydobywać z danych sens. Na co dzień dostarcza rozwiązania uczenia maszynowego wielkim graczom z branży e-commerce. Z wykształcenia jest inżynierem fotoniki i absolwentem Królewskiej Akademii Technicznej w Sztokholmie. Brał udział w wielu projektach natury badawczo-naukowej - w ujęciu akademickim, przemysłowym i start-upowym. Prywatnie mąż, ojciec, entuzjasta bliskich i dalekich podróży oraz miłośnik wszelkiej technologii garażowej własnej produkcji.

Z analizą danych jest jak z życiem: wszystko na koniec jest dobrze. Jeśli nie jest dobrze, znaczy, że nie jest to koniec.

Videopoint - inne kursy

Zamknij

Przenieś na półkę

Proszę czekać...
ajax-loader

Zamknij

Wybierz metodę płatności