使用Python掌握机器学习算法

您是否渴望成为机器学习工程师或数据科学家？如果是的话，那么这门课程适合您。在本课程中，您将学习有关机器学习的核心概念，用例，数据的作用，偏差、方差和过拟合的挑战，选择正确的性能指标，模型评估技术，使用超参数调整和网格搜索交叉验证技术进行模型优化等。您将学习如何使用各种算法构建分类模型、回归模型和聚类模型。您将学习部署机器学习模型的场景和用例。Mastering Machine Learning Algorithms using Python

本课程详细介绍了Python用于数据科学和机器学习，并且对于初学者来说绝对必不可少。本课程大部分内容是实践操作，通过完全解决的项目和示例，带您了解探索性数据分析、模型开发、模型优化和模型评估技术。本课程广泛涵盖了Numpy和Pandas库，用于教探索性数据分析。此外，还涵盖了用于创建可视化的Marplotlib和Seaborn库。还包括一个关于使用TensorFlow和Keras进行图像分类的深度神经网络简介课程。课程章节：机器学习简介机器学习算法类型机器学习用例数据在机器学习中的作用理解训练或学习过程理解验证和测试Python简介建立您的ML开发环境Python内部数据结构Python语言元素Pandas数据结构 – Series和DataFrames探索性数据分析 – EDA使用房价预测案例学习线性回归模型使用信用卡欺诈检测案例学习Logistic模型评估模型性能微调模型超参数调整交叉验证学习SVM通过图像分类项目理解决策树使用随机森林的集成技术理解PCA进行降维使用客户细分项目的K均值聚类深度学习简介

由Manas Dasgupta创建
MP4 | 视频：h264，1280×720 | 音频：AAC，44.1千赫，2通道
类型：电子学习 | 语言：英语 | 时长：108讲座（28小时34分钟） | 大小：8.7 GB

从一系列监督、无监督、回归和分类算法中构建和优化ML模型

您将学到什么：
机器学习核心概念详解
了解应用机器学习的用例场景
Python在数据科学和机器学习中的详细覆盖
回归算法 – 线性回归
分类问题和分类算法
使用K均值聚类进行无监督学习
探索性数据分析技术
降维技术（PCA）
特征工程技术
使用超参数调整进行模型优化
使用网格搜索交叉验证进行模型优化
深度神经网络简介

要求：
对编程语言有一定了解将会很有用