
- Категории
- Источники
- Все курсы
- Разделы
- Книги
-
Машинное обучение (ML) - это ключевое направление искусственного интеллекта, которое позволяет компьютерам обучаться на данных и принимать решения без явного программирования. В этой категории вы познакомитесь с основами ML, различными алгоритмами (линейная регрессия, деревья решений, градиентный бустинг), методами обучения (с учителем, без учителя, с подкреплением) и инструментами (Scikit-learn, TensorFlow, PyTorch).
Вы научитесь анализировать данные, строить модели и применять их в реальных задачах - от предсказания трендов до автоматизации процессов.
Привет! Я - Pau, инженер по машинному обучению с многолетним опытом разработки реальных ML-продуктов. Хотите спроектировать, разработать и внедрить свой собственный ML-продукт?Этот курс покажет вам, как создавать полнофункциональные ML-решения от идеи до продакшена, помогая стартапам и крупным компаниям решать бизнес-задачи.
Научитесь использовать Spark ML для создания масштабируемых решений в области машинного обучения. Практика с регрессией, классификацией, инженерией признаков, оценкой моделей, настройкой гиперпараметров и интеграцией глубокого обучения с Apache Spark.Машинное обучение - это не только теория, но и умение работать в реальных, масштабируемых системах. В этом курсе вы освоите, как выводить модели ML на уровень продакшна с помощью библиотеки Spark ML.
Machine Learning System Design - это практическое руководство по проектированию эффективных и надёжных систем машинного обучения. Книга охватывает весь цикл разработки ML-систем: от сбора данных до релиза и сопровождения, предлагая чёткую пошаговую структуру, которая поможет как новичкам, так и опытным специалистам.
В этом практическом курсе вы научитесь строить полный пайплайн данных на платформе AWS - от получения данных из Twitter API до анализа, хранения и визуализации.Вы создадите собственный алгоритм машинного обучения и развернёте его на AWS с помощью Lambda. Также вы настроите базу данных Postgres с использованием Amazon RDS. Для визуализации результатов вы разработаете интерактивный дашборд на Streamlit и получите опыт его развертывания в контейнера
Вы когда-нибудь слышали выражение «подготовка и очистка данных»? Это, пожалуй, самая важная часть всего процесса машинного обучения. Данные из реального мира зачастую «грязные» - они могут содержать ошибки, пропуски, дубликаты и выбросы, что приводит к искажениям, проблемам и сбоям в работе моделей. Именно поэтому крайне важно, чтобы данные были очищены и готовы к анализу.
Изучите обратное распространение ошибки и градиентный спуск, написав простую нейронную сеть с нуля на Python - без библиотек, только основы. Идеально подходит для будущих инженеров по машинному обучению, специалистов по данным и AI-разработчиков.
Живой, интерактивный курс, который научит тебя с нуля проектировать, создавать и внедрять готовые к эксплуатации ML-системы - без воды и академического занудства.Этот курс - для тех, кто хочет решать реальные задачи с помощью ИИ и машинного обучения. Большинство курсов по ML скучны, чересчур академичны и не учат тому, как доводить продукт до реального запуска.А этот курс — другой. Это практическая, честная, максимально прикладная программа, котор
Предиктивная аналитика и машинное обучение - это курс, который поможет вам освоить ключевые концепции и практические навыки в области прогнозирования данных и машинного обучения. Присоединяйтесь к курсу, чтобы освоить инструменты предиктивной аналитики и машинного обучения, которые помогут вам стать профессионалом в своей области.
Продвиньтесь в карьере машинного обучения с уверенностью. Освойте ключевые основы ML, которые востребованы работодателями, и получите навыки, необходимые для решения реальных задач. Начните строить успешное будущее в сфере технологий уже сегодня!
К концу этого курса разработчики получат более глубокое понимание машинного обучения, узнают о текущих возможностях JavaScript и создадут три проекта, исследуя функции TensorFlow.js.