Главная страница Категория python Машинное обучение от А до Я: станьте мастером Kaggle

Машинное обучение от А до Я: станьте мастером Kaggle

Name: Машинное обучение от А до Я: станьте мастером Kaggle
Rating: 4.8 (30 reviews)

Machine Learning A-Z : Become Kaggle Master

udemy

Скачать курс архивом Скачать материалы курса

Продолжительность

36 ч 23 мин

Категория

Python

Количество уроков

257 Видео

Дата добавления

12 дек. 2018 г., 08:33

Язык

Английский

Дата выхода

28 нояб. 2018 г., 10:00

Дата обновления

12 дек. 2018 г., 08:33

Изучите основные алгоритмы машинного обучения с использованием Python от начального до супер продвинутого уровня, включая математические знания. Хотите стать хорошим специалистом по данным? Тогда это правильный курс для вас. Этот курс был разработан специалистами IIT, которые освоили математику и науку о данных. Мы рассмотрим сложные теории, алгоритмы и библиотеки программирования очень простым способом, который может быть легко понят любым новичком.

Мы шаг за шагом проведем вас в мир машинного обучения. С каждым учебным пособием вы будете развивать новые навыки и улучшать свое понимание этой сложной, но прибыльной области науки о данных от начального до продвинутого уровня.

Мы решили несколько проблем Kaggle во время этого курса и предоставили комплексные решения, чтобы студенты могли легко конкурировать на реальных веб-сайтах.

В этом курсе мы подробно рассмотрели следующие темы:

1. Основы Python
2. Numpy
3. Pandas
4. Немного веселья с математикой
5. Логическая статистика
6. Проверка гипотез
7. Визуализация данных
8. EDA
9. Простая линейная регрессия
10. Множественная линейная регрессия
11. Hotstar / Netflix: тематическое исследование
12. Gradient Descent
13. KNN
14. Показатели производительности модели
15. Выбор модели
16. Naive Bayes
17. Логистическая регрессия
18. SVM
19. Дерево решений
20. Ensembles - Bagging / Boosting
21. Unsupervised Learning
22. Уменьшение размеров
23. Продвинутые алгоритмы
24. Глубокое обучение (Deep Learning )

Посмотреть больше

Урок 1. 00:13:59

Introduction to the course
Урок 2. 00:09:02

Introduction to Kaggle
Урок 3. 00:09:02

Installation of Python and Anaconda
Урок 4. 00:03:34

Python Introduction
Урок 5. 00:15:05

Variables in Python
Урок 6. 00:05:28

Numeric Operations in Python
Урок 7. 00:02:25

Logical Operations
Урок 8. 00:08:16

If else Loop
Урок 9. 00:10:18

for while Loop
Урок 10. 00:11:19

Functions
Урок 11. 00:12:43

String Part1
Урок 12. 00:03:02

String Part2
Урок 13. 00:03:06

List Part1
Урок 14. 00:10:49

List Part2
Урок 15. 00:08:53

List Part3
Урок 16. 00:08:11

List Part4
Урок 17. 00:08:42

Tuples
Урок 18. 00:07:28

Sets
Урок 19. 00:07:36

Dictionaries
Урок 20. 00:07:09

Comprehentions
Урок 21. 00:06:20

Introduction
Урок 22. 00:19:21

Numpy Operations Part1
Урок 23. 00:24:27

Numpy Operations Part2
Урок 24. 00:06:30

Introduction
Урок 25. 00:07:59

Series
Урок 26. 00:07:54

DataFrame
Урок 27. 00:01:24

Operations Part1
Урок 28. 00:05:11

Operations Part2
Урок 29. 00:06:07

Indexes
Урок 30. 00:07:28

loc and iloc
Урок 31. 00:05:29

Reading CSV
Урок 32. 00:03:44

Merging Part1
Урок 33. 00:05:26

groupby
Урок 34. 00:04:26

Merging Part2
Урок 35. 00:03:25

Pivot Table
Урок 36. 00:43:18

Linear Algebra : Vectors
Урок 37. 00:15:44

Linear Algebra : Matrix Part1
Урок 38. 00:16:22

Linear Algebra : Matrix Part2
Урок 39. 00:08:45

Linear Algebra : Going From 2D to nD Part1
Урок 40. 00:06:54

Linear Algebra : 2D to nD Part2
Урок 41. 00:03:02

Inferential Statistics
Урок 42. 00:13:16

Probability Theory
Урок 43. 00:05:00

Probability Distribution
Урок 44. 00:04:53

Expected Values Part1
Урок 45. 00:03:15

Expected Values Part2
Урок 46. 00:06:02

Without Experiment
Урок 47. 00:04:12

Binomial Distribution
Урок 48. 00:02:25

Commulative Distribution
Урок 49. 00:04:44

PDF
Урок 50. 00:05:01

Normal Distribution
Урок 51. 00:04:45

z Score
Урок 52. 00:09:42

Sampling
Урок 53. 00:06:17

Sampling Distribution
Урок 54. 00:03:08

Central Limit Theorem
Урок 55. 00:07:15

Confidence Interval Part1
Урок 56. 00:03:19

Confidence Interval Part2
Урок 57. 00:08:30

Introduction
Урок 58. 00:06:29

NULL And Alternate Hypothesis
Урок 59. 00:05:47

Examples
Урок 60. 00:08:02

One/Two Tailed Tests
Урок 61. 00:04:19

Critical Value Method
Урок 62. 00:07:37

z Table
Урок 63. 00:03:18

Examples
Урок 64. 00:03:03

More Examples
Урок 65. 00:05:16

p Value
Урок 66. 00:02:54

Types of Error
Урок 67. 00:03:28

t- distribution Part1
Урок 68. 00:02:43

t- distribution Part2
Урок 69. 00:19:55

Matplotlib
Урок 70. 00:20:26

Seaborn
Урок 71. 00:10:24

Case Study
Урок 72. 00:04:27

Seaborn On Time Series Data
Урок 73. 00:01:07

Introduction
Урок 74. 00:05:07

Data Sourcing and Cleaning part1
Урок 75. 00:03:15

Data Sourcing and Cleaning part2
Урок 76. 00:04:00

Data Sourcing and Cleaning part3
Урок 77. 00:03:57

Data Sourcing and Cleaning part4
Урок 78. 00:03:31

Data Sourcing and Cleaning part5
Урок 79. 00:04:15

Data Sourcing and Cleaning part6
Урок 80. 00:14:42

Data Cleaning part1
Урок 81. 00:09:27

Data Cleaning part2
Урок 82. 00:22:23

Univariate Analysis Part1
Урок 83. 00:17:33

Univariate Analysis Part2
Урок 84. 00:06:47

Segmented Analysis
Урок 85. 00:13:00

Bivariate Analysis
Урок 86. 00:12:15

Derived Columns
Урок 87. 00:02:14

Introduction to Machine Learning
Урок 88. 00:08:57

Types of Machine Learning
Урок 89. 00:03:06

Introduction to Linear Regression (LR)
Урок 90. 00:09:18

How LR Works?
Урок 91. 00:09:30

Some Fun With Maths Behind LR
Урок 92. 00:10:54

R Square
Урок 93. 00:14:49

LR Case Study Part1
Урок 94. 00:04:54

LR Case Study Part2
Урок 95. 00:04:26

LR Case Study Part3
Урок 96. 00:01:04

Residual Square Error (RSE)
Урок 97. 00:03:16

Introduction
Урок 98. 00:07:38

Case Study part1
Урок 99. 00:10:38

Case Study part2
Урок 100. 00:06:05

Case Study part3
Урок 101. 00:00:46

Adjusted R Square
Урок 102. 00:07:09

Case Study Part1
Урок 103. 00:09:18

Case Study Part2
Урок 104. 00:06:37

Case Study Part3
Урок 105. 00:14:39

Case Study Part4
Урок 106. 00:04:52

Case Study Part5
Урок 107. 00:06:22

Case Study Part6 (RFE)
Урок 108. 00:05:18

Introduction to the Problem Statement
Урок 109. 00:09:30

Playing With Data
Урок 110. 00:04:43

Building Model Part1
Урок 111. 00:07:41

Building Model Part2
Урок 112. 00:03:52

Building Model Part3
Урок 113. 00:03:36

Verification of Model
Урок 114. 00:15:58

Pre-Req For Gradient Descent Part1
Урок 115. 00:09:00

Pre-Req For Gradient Descent Part2
Урок 116. 00:02:22

Cost Functions
Урок 117. 00:07:26

Defining Cost Functions More Formally
Урок 118. 00:10:51

Gradient Descent
Урок 119. 00:04:14

Optimisation
Урок 120. 00:04:53

Closed Form Vs Gradient Descent
Урок 121. 00:05:40

Gradient Descent case study
Урок 122. 00:12:55

Introduction to Classification
Урок 123. 00:07:31

Defining Classification Mathematically
Урок 124. 00:11:34

Introduction to KNN
Урок 125. 00:12:45

Accuracy of KNN
Урок 126. 00:12:54

Effectiveness of KNN
Урок 127. 00:12:21

Distance Metrics
Урок 128. 00:08:31

Distance Metrics Part2
Урок 129. 00:09:36

Finding k
Урок 130. 00:02:53

KNN on Regression
Урок 131. 00:07:56

Case Study
Урок 132. 00:22:16

Classification Case1
Урок 133. 00:15:03

Classification Case2
Урок 134. 00:13:35

Classification Case3
Урок 135. 00:12:38

Classification Case4
Урок 136. 00:21:16

Performance Metrics Part1
Урок 137. 00:15:17

Performance Metrics Part2
Урок 138. 00:05:09

Performance Metrics Part3
Урок 139. 00:11:37

Model Creation Case1
Урок 140. 00:07:39

Model Creation Case2
Урок 141. 00:11:36

Gridsearch Case study Part1
Урок 142. 00:15:03

Gridsearch Case study Part2
Урок 143. 00:14:58

Introduction to Naive Bayes
Урок 144. 00:10:55

Bayes Theorem
Урок 145. 00:08:45

Practical Example from NB with One Column
Урок 146. 00:11:31

Practical Example from NB with Multiple Columns
Урок 147. 00:08:43

Naive Bayes On Text Data Part1
Урок 148. 00:05:11

Naive Bayes On Text Data Part2
Урок 149. 00:04:11

Laplace Smoothing
Урок 150. 00:01:38

Bernoulli Naive Bayes
Урок 151. 00:08:41

Case Study 1
Урок 152. 00:06:52

Case Study 2 Part1
Урок 153. 00:02:10

Case Study 2 Part2
Урок 154. 00:07:31

Introduction
Урок 155. 00:10:19

Sigmoid Function
Урок 156. 00:10:01

Log Odds
Урок 157. 00:16:29

Case Study
Урок 158. 00:15:06

Introduction
Урок 159. 00:06:28

Hyperplane Part1
Урок 160. 00:14:06

Hyperplane Part2
Урок 161. 00:07:38

Maths Behind SVM
Урок 162. 00:04:04

Support Vectors
Урок 163. 00:09:59

Slack Variable
Урок 164. 00:06:25

SVM Case Study Part1
Урок 165. 00:06:49

SVM Case Study Part2
Урок 166. 00:08:55

Kernel Part1
Урок 167. 00:12:34

Kernel Part2
Урок 168. 00:07:28

Case Study : 2
Урок 169. 00:08:46

Case Study : 3 Part1
Урок 170. 00:05:24

Case Study : 3 Part2
Урок 171. 00:16:33

Case Study 4
Урок 172. 00:07:21

Introduction
Урок 173. 00:07:51

Example of DT
Урок 174. 00:05:02

Homogenity
Урок 175. 00:07:05

Gini Index
Урок 176. 00:05:24

Information Gain Part1
Урок 177. 00:05:14

Information Gain Part2
Урок 178. 00:04:11

Advantages and Disadvantages of DT
Урок 179. 00:09:59

Preventing Overfitting Issues in DT
Урок 180. 00:10:36

DT Case Study Part1
Урок 181. 00:09:06

DT Case Study Part2
Урок 182. 00:10:15

Introduction to Ensembles
Урок 183. 00:13:10

Bagging
Урок 184. 00:04:39

Advantages
Урок 185. 00:03:53

Runtime
Урок 186. 00:05:41

Case study
Урок 187. 00:06:06

Introduction to Boosting
Урок 188. 00:02:54

Weak Learners
Урок 189. 00:02:31

Shallow Decision Tree
Урок 190. 00:07:49

Adaboost Part1
Урок 191. 00:06:45

Adaboost Part2
Урок 192. 00:04:47

Adaboost Case Study
Урок 193. 00:04:28

XGBoost
Урок 194. 00:03:10

Boosting Part1
Урок 195. 00:06:49

Boosting Part2
Урок 196. 00:08:36

XGboost Algorithm
Урок 197. 00:09:40

Case Study Part1
Урок 198. 00:10:45

Case Study Part2
Урок 199. 00:05:34

Case Study Part3
Урок 200. 00:21:29

Model Selection Part1
Урок 201. 00:12:32

Model Selection Part2
Урок 202. 00:09:42

Model Selection Part3
Урок 203. 00:10:38

Introduction to Clustering
Урок 204. 00:07:22

Segmentation
Урок 205. 00:08:08

Kmeans
Урок 206. 00:10:23

Maths Behind Kmeans
Урок 207. 00:02:22

More Maths
Урок 208. 00:10:11

Kmeans plus
Урок 209. 00:06:44

Value of K
Урок 210. 00:02:32

Hopkins test
Урок 211. 00:10:56

Case Study Part1
Урок 212. 00:06:48

Case Study Part2
Урок 213. 00:04:13

More on Segmentation
Урок 214. 00:07:34

Hierarchial Clustering
Урок 215. 00:05:35

Case Study
Урок 216. 00:30:26

Introduction
Урок 217. 00:25:59

PCA
Урок 218. 00:24:25

Maths Behind PCA
Урок 219. 00:05:16

Case Study Part1
Урок 220. 00:15:27

Case Study Part2
Урок 221. 00:07:20

Introduction
Урок 222. 00:05:24

Example Part1
Урок 223. 00:09:07

Example Part2
Урок 224. 00:15:23

Optimal Solution
Урок 225. 00:03:25

Case study
Урок 226. 00:09:01

Regularization
Урок 227. 00:07:03

Ridge and Lasso
Урок 228. 00:08:51

Case Study
Урок 229. 00:05:32

Model Selection
Урок 230. 00:03:20

Adjusted R Square
Урок 231. 00:02:42

Expectations
Урок 232. 00:09:13

Introduction
Урок 233. 00:15:39

History
Урок 234. 00:07:18

Perceptron
Урок 235. 00:13:07

Multi Layered Perceptron
Урок 236. 00:10:27

Neural Network Playground
Урок 237. 00:08:41

Introduction to the Problem Statement
Урок 238. 00:14:34

Playing With The Data
Урок 239. 00:09:54

Translating the Problem In Machine Learning World
Урок 240. 00:08:02

Dealing with Text Data
Урок 241. 00:10:24

Train, Test And Cross Validation Split
Урок 242. 00:16:56

Understanding Evaluation Matrix: Log Loss
Урок 243. 00:08:43

Building A Worst Model
Урок 244. 00:05:49

Evaluating Worst ML Model
Урок 245. 00:12:14

First Categorical column analysis
Урок 246. 00:05:07

Response encoding and one hot encoder
Урок 247. 00:12:06

Laplace Smoothing and Calibrated classifier
Урок 248. 00:06:54

Significance of first categorical column
Урок 249. 00:04:08

Second Categorical column
Урок 250. 00:06:53

Third Categorical column
Урок 251. 00:04:24

Data pre-processing before building machine learning model
Урок 252. 00:13:12

Building Machine Learning model :part1
Урок 253. 00:11:39

Building Machine Learning model :part2
Урок 254. 00:03:18

Building Machine Learning model :part3
Урок 255. 00:03:14

Building Machine Learning model :part4
Урок 256. 00:03:49

Building Machine Learning model :part5
Урок 257. 00:06:33

Building Machine Learning model :part6

Автор - udemy

udemy

Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.

+191

Категории

Комментарии

neroazzurri

10 дек. 2021 г., 22:54

Слушать индуса-это просто кровь из ушей
diskfordata1

27 авг. 2020 г., 23:00

Индийский английский.

Команда внимательно читает ваши комментарии и оперативно на них реагирует. Вы можете спокойно оставлять запросы на обновления или задавать любые вопросы о курсе здесь.

Другие материалы в этой категории

Изображение курса Введение в алгоритмы машинного обучения в Python с scikit-learn

egghead

11 янв. 2018 г., 18:49

Машинное обучение

Введение в алгоритмы машинного обучения в Python с scikit-learn

Introductory Machine Learning Algorithms in Python with scikit-learn

Искусственный интеллект. Машинное обучение. Боты. Компьютеры учатся и общаются с нами, чтобы делать нашу жизнь проще. Но с чего начать? Как вы научите машину даже начать понимать что вы говорите или набираете? Существует несколько общих алгоритмов машинного обучения, которые помогут ответить на эти вопросы.

0 ч 34 мин

Английский

Посмотреть

Изображение курса Data Science. Уровень 2. Применение машинного обучения

Учебный Центр «Специалист»

20 мая 2018 г., 07:53

Машинное обучение

Data Science. Уровень 2. Применение машинного обучения

Data Science. Level 2. Applied Machine Learning

Обработка больших объемов данных (Big Data) – трудоемкий процесс. Раньше, чтобы компьютер мог выполнить даже простую задачу, программист должен был написать подробный алгоритм действий. Но теперь можно не составлять инструкции, а настраивать компьютер так, чтобы он сам на основе предложенных данных искал закономерности и делал выводы. Этот процесс называется машинным обучением - machine learning.Например, в качестве исходных данных есть инф

14 ч 2 мин

Русский

Посмотреть

Удален по просьбе правообладателя

Изображение курса Структуры данных и Алгоритмический трейдинг: машинное обучение

udemy

8 февр. 2018 г., 23:05

Машинное обучение

Структуры данных и Алгоритмический трейдинг: машинное обучение

Data Structures and Algorithmic Trading: Machine Learning

Структуры данных и алгоритмический трейдинг: машинное обучение, торговля на фондовом рынке, инвестирование в криптовалюты, создание робота Forex, все это мы разберем в нашем курсе. Структуры данных и алгоритмический трейдинг - это метод выполнения заказов с использованием автоматических запрограммированных торговых инструкций. Они были разработаны так, что трейдерам не нужно постоянно следить за запасом и повторно делать те же самые вещи вручную.

2 ч 20 мин

Английский

Посмотреть

Изображение курса Data Science, Deep Learning и Machine Learning с Python

udemy

29 мар. 2018 г., 15:40

Python Обработка и анализ данных Машинное обучение Глубокое обучение

Data Science, Deep Learning и Machine Learning с Python

Machine Learning, Data Science and Deep Learning with Python

Приступайте к практической работе с нейронной сетью, искусственным интеллектом и методами машинного обучения, которые ищут предприниматели! Data Scientists пользуются средней зарплатой в 120 000 долларов. Это просто среднее! И дело не только в деньгах - это интересная работа! Если у вас есть опыт программирования или написания скриптов, этот курс научит вас методам, используемым настоящими учеными в области данных и специалистам по компьютер

14 ч 13 мин

Английский

Посмотреть

+16

Изображение курса Машинное обучение от А до я™: практический Python и R в Data Science

udemy

1 авг. 2019 г., 16:01

Python Машинное обучение

Машинное обучение от А до я™: практический Python и R в Data Science

Machine Learning A-Z™: Hands-On Python & R In Data Science

Научитесь создавать алгоритмы машинного обучения в Python и R от двух экспертов по Data Science.

43 ч 53 мин

Английский

Посмотреть

+18