Машинное обучение 101 с Scikit-learn и StatsModels

Новенькие в машинном обучении? Это место для начала: линейная регрессия, логистическая регрессия и кластерный анализ. Машинное обучение является одним из фундаментальных навыков, необходимых для того, чтобы стать специалистом по данным. Это ступенька, которая поможет вам понять глубокое обучение и современные методы анализа данных.

В этом курсе мы рассмотрим три основные темы машинного обучения:

• Линейная регрессия
• Логистическая регрессия
• Кластерный анализ

Удивлены? Даже гики нейронных сетей (такие как мы) не могут помочь, но признают, что именно эти 3 простых метода - линейная регрессия, логистическая регрессия и кластеризация, вокруг которых фактически вращается наука о данных.

Таким образом, в этом курсе мы сделаем сложный предмет простым для понимания и применения на практике.

Конечно, есть только один способ обучить этим навыкам в контексте науки о данных - сопровождать теорию статистики практическим применением этих количественных методов в Python.

Мы разработали этот курс с использованием не одной, а двух библиотек машинного обучения - StatsModels и sklearn. Как показал наш практический опыт, они имеют разные варианты использования и должны использоваться вместе, а не независимо.

Мы очень хорошо понимаем, что теория наук о данных часто упускается из виду. Вы не можете научить кого-то бегать, прежде чем он научится ходить. Вот почему мы начнем медленно и продолжим строить сложные модели ML.

Но не думайте, что вам будет скучно в теории.

С другой стороны! Мы подготовили курс, который даст вам результаты и повысит ваш интерес к предмету, поскольку он покажет вам, что машинное обучение - это то, что вы тоже можете делать (с подходящим учителем на вашей стороне).

Что ж, мы надеемся, что вы так же взволнованы, как и мы, поскольку этот курс является дверью, которая может открыть для вас бесчисленные возможности в мире наук о данных.