進階機器學習和資料分析專案訓練營

課程簡介

建立類似文字摘要的專案! 使用 Pandas 學習物件本地化、影像辨識和結構化資料

從這 20.5 小時的課程,你會學到

  • 使用 3 種程式語言的編寫程式:JavaPythonSwift
  • 以線性回歸建構節點和資料模型
  • 使用摘要機制來處理文字資料
  • 在移動裝置上測試專案
  • 檢查運算圖表
  • 分析標量( scalars )和直方圖( histograms )
  • 建構神經元功能
  • 載入,轉換和顯示影像和數位資料
  • 使用統計數據描述資料

要求

  • PyCharm

課程說明

深入到一個資料科學和分析的世界,包括 CIFAR 100 影象資料集,蘋果的 Xcode 開發,Swift 編碼,CoreML,影象識別,以及使用 Pandas 的資料結構。

這個 Mammoth 互動課程是由 Kickstarter 群眾募資專案所創造的

與 Mammoth Interactive 學習 Android Studio,Java,應用程式開發,Pycharm,Python 編碼,Tensforflow 和更多。

利用機器學習建立進階的專案,包括具有神經元功能的 MNIST 資料庫。 建立一個文字摘要和學習物件本地化,物件識別和 Tensorboard。

機器學習是一種機器能夠根據之前的資料和廣泛的訓練來做出決定或預測的能力。 換句話說,如果一臺機器(程式、應用程式等)通過訓練提高了預測的準確性,那麼它就”學會”了。

學習模型如何運作

計算圖表由一個連線節點網路(通常稱為神經元)組成。 這些節點中的每一個通常都有一個權重和一個偏差,這有助於確定,給定一個輸入,哪個路徑最有可能。

建立機器學習程式有4個主要組成部分: 資料收集和格式化,模型建立,培訓,測試和評估

資料收集和格式化

你將學會收集大量的資料以供模型學習來源。

所有資料的格式應該大致相同(影象大小相同,配色方案相同等) ,並應標記。 還可以將資料分成相互排斥的訓練和測試集。

模型建立

你將學會找出哪種模型方案效果最好,以及什麼樣的演算法最適合你試圖解決的問題。

培訓,測試和評估

模型可以通過基於特定執行的輸入的神經網路或計算圖選擇路徑,以及網路中神經元的權重和偏差。

在監督式學習中,我們向模型展示給定輸入集的正確輸出,模型會改變神經元的重量和偏差,以最小化輸出與正確答案之間的差異。

現在就報名參加 Mammoth Interactive

目標受眾

  • 主題涉及中級數學,因此熟悉大學層次的數學是非常有幫助的

英文字幕:有

  • 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

課程網址 [ 限時免費中 ]

1758260_06c0

Sponsored by Udemy

喜歡我們的服務嗎?考慮贊助一下 Soft & Share喔! 🙂

1. 選購相關精選課程

2. 請我們喝一杯咖啡!

coffee

也許你會有興趣

喜歡我們的分享嗎?使用以下的社群分享按鈕分享給你的朋友吧!

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: