使用 Python 完成机器学习和数据科学| ML A-Z

MP4 |视频：h264，1280×720 |音频：AAC，44.1 KHz
语言：英语 |时长：11小时13分钟

你将学到什么

• 数据科学库，例如 Numpy、Pandas、Matplotlib、Scipy、Scikit Learn、Seaborn、Plotly 等
• 机器学习概念和不同类型的机器学习
• 机器学习算法，如回归、分类、朴素贝叶斯分类器、决策树、支持向量机算法等。
• 特征工程
• Python 基础知识

要求

无需具备编程经验。

描述

人工智能是下一个数字前沿，对商业和社会具有深远的影响。根据《财富商业洞察》的数据，到 2026 年，全球人工智能市场规模预计将达到 2025.7 亿美元。机器学习 (ML) 课程不仅以“实践”为基础，还包括多个用例，以便学生能够了解实际的工业需求和工作文化。这些是开发任何高级人工智能应用程序的要求。本课程包括多个机器学习 (ML) 项目。1) 项目 – 使用 K 均值聚类进行客户细分 2) 项目 – 使用机器学习 (Python) 进行假新闻检测 3) 项目 COVID-19：使用机器学习进行冠状病毒感染概率 4) 项目 – 使用 K 均值聚类进行图像压缩 |使用 K-Means 进行颜色量化本课程包括主题 —什么是数据科学 描述人工智能和机器学习和深度学习 机器学习的概念 – 监督机器学习、无监督机器学习和强化学习Python 数据分析 – Numpy 工作环境 – Google ColabAnaconda 安装 Jupyter Notebook 数据分析 – PandasMatplotlib 什么是监督机器学习回归分类 多线性回归用例 – 波士顿房价预测保存模型逻辑鸢尾花数据集的回归 葡萄酒数据集的朴素贝叶斯分类器 用于文本分类的朴素贝叶斯分类器 决策树 K 最近邻 (KNN) 算法 支持向量机算法 随机森林算法 I什么是无监督机器学习 无监督学习的类型 无监督学习的优点和缺点 什么是聚类？ K-means 聚类 使用 K-means 聚类进行图像压缩 |机器学习中使用 K 均值进行颜色量化 欠拟合、过拟合和最佳拟合 如何避免机器学习中的过拟合特征工程可教机器 Python 基础知识 近年来，自动驾驶汽车、数字助理、机器人工厂员工和智能城市已经证明智能机器是可能的。人工智能已经改变了零售、制造、金融、医疗保健和媒体等大多数行业领域，并继续侵入新领域。每天都有新的应用程序、产品或服务推出，它正在使用机器学习变得更智能、更好。 注意：- 在描述中还提供了参考注释，打开参考注释，有下载链接。您可以在那里下载数据集。

任何对机器学习感兴趣的人。,任何想要开始数据科学职业的大学生。