Descripción:
El Curso de Python for Data Analysis muestra cómo analizar los datos con éxito, utilizando algoritmos de aprendizaje automático de núcleo, y la forma de aplicarlos usando Python. Al centrarse en dos familias de algoritmos que predicen de manera efectiva los resultados, este curso es capaz de proporcionar una descripción completa de los mecanismos en el trabajo. Los algoritmos se explican en términos sencillos sin tanta matemática complejas y se aplican usando Python, con orientación sobre la selección de algoritmos, la preparación de datos, y el uso de los modelos entrenados en la práctica. Usted aprenderá un conjunto básico de técnicas de programación Python, diversos métodos de construcción de modelos de predicción, y la forma de medir el rendimiento de cada modelo. En el pasado, estos métodos requieren un fondo profundo en matemáticas y estadísticas, a menudo en combinación con el lenguaje especializado de programación R. Este curso demuestra cómo el Machine Learning se puede implementar utilizando el lenguaje de programación Python más ampliamente utilizado y accesible.
Objetivo:
Al finalizar el curso, los alumnos podrán, entre otras cosas a: Predecir los resultados del uso de las familias de algoritmos lineales y Conjuntos. Construir modelos predictivos que resuelven una serie de problemas simples y complejos. Aplicar algoritmos básicos de aprendizaje automático utilizando Python. Utilizar código directamente para construir soluciones personalizadas.
Temario:
Parte 1: Los dos algoritmos esenciales para realizar predicciones
¿Por qué estos dos algoritmos son tan útiles? | Lo que se penaliza en los métodos de regresión | ¿Cuáles son los métodos de conjunto? | Cómo decidir qué algoritmo utilizar | Los pasos del proceso para construir un modelo predictivo | Contenidos y Dependencias
Parte 2: Comprendiendo el problema comprendiendo los datos La anatomía de un nuevo problema | Clasificación de problemas: Detección no explotada | Visualización de propiedades en Rocks versus Mine Data Set | Valor real, predicciones con factores variables |ÂÂ Valor real, predicciones usando atributos de valor real
Parte 3: Construcción de un Modelo Predictivo: equilibrar el rendimiento, complejidad y Big Data
El problema básico: Comprensión aproximación de funciones | Factores que impulsan opciones algoritmo y rendimiento | La medición del rendimiento de los modelos predictivos | El logro de la armonía entre el modelo y los datos
Parte 4: Regresión Lineal Penalizada
¿Por qué penalizados lineales en métodos de regresión son tan útiles | Regresión Lineal Penalizada: Regulador Lineal | Resolver el Problema penalización de Regresión Lineal | Extensiones para la regresión lineal con entrada numérica
Parte 5:La construcción de modelos predictivos usando Métodos Lineales Penalizados
Paquetes de Python para la penalización de Regresión Lineal | Multivariable de regresión: Predicción de Sabor del Vino | Clasificación binaria: Uso de penalización lineal | Clasificación Multiclase: Clasificando una escena de crimen
Parte 6: Métodos de Conjunto
Árboles de decisión binarios | Agregación de arranque “bagging” | Impulsando gradiente | Azar forestal
Parte 7:Construcción de Modelos de Conjunto con Python
Solucionando problemas de regresión con Python | Paquetes de Conjunto | Uso de Gradient Boosting y bagging para predicción | Incorporación de atributos no numéricos | Solución de problemas de clasificación binaria con Python | Solución de problemas multiclasificación con Python