資料科學：完整的資料科學和機器學習

學習並掌握資料科學、用於機器學習的 Python、用於機器學習的數學、用於資料科學的統計

從這 26 小時的課程，你會學到

學習成為資料科學家所需的完整資料科學技能，並掌握所有先進概念
從基礎開始掌握 Python 程式，以達到資料科學和機器學習的要求
學習資料科學與機器學習的完整線性代數、微積分、向量、矩陣數學。
成為統計專家，包括描述統計和推論統計。
了解如何使用資料ㄆ視覺化以及所有必要的圖表和繪圖來分析資料
使用 Pandas 和 ScikitLearn 執行資料處理
掌握迴歸及其所有參數和假設
解決 Kaggle 專案並了解如何實現前 1 個百分位
學習各種分類演算法，如邏輯迴歸、決策樹、隨機森林、支援向量機
使用 Keras 和 Tensorflow 全面了解深度學習
透過學習特質選擇和降維成為專業人士

要求

沒有先決條件。我將教授從 Python 基礎到高階深度學習的課程
熱愛數據分析

課程說明

資料科學和機器學習是最熱門的技能，但學習起來卻充滿挑戰。你是否希望有一門資料科學和機器學習課程涵蓋機器學習數學、資料科學高階統計、資料處理、機器學習 A-Z、深度學習等所有內容？

那麼，你來對地方了。這門資料科學和機器學習課程有 11 個專案、250 多個講座、超過 25 小時以上的內容、一個得分排名前 1 的 Kaggle 競賽專案、代碼模板和各種測驗。

我們將執行以下現實專案，

Kaggle 競賽的 Kaggle 自行車需求預測
貸款審批流程自動化
著名的 IRIS 分類
美國人口普查資料集的成人收入預測
銀行電話行銷預測
乳癌預測
使用 Prima Indians 糖尿病資料集預測糖尿病

如今，資料科學和機器學習幾乎應用於所有行業，包括汽車、銀行、醫療保健、媒體、電信等。

作為資料科學和機器學習實踐者，你將不得不研究和超越正常問題，你可能需要進行大量的資料處理。使用先進的工具資料據進行實驗，並為業務建立令人驚嘆的解決方案。但是，你將在哪裡以及如何學習資料科學和機器學習所需的這些技能？

資料科學和機器學習需要對各個主題有深入的了解。資料科學不僅僅是了解某些套件/程式庫( packages/libraries )並學習如何應用它們。資料科學和機器學習需要深入了解以下技能，

了解資料科學和機器學習的整體格局
不同類型的資料分析、資料架構、資料科學和機器學習專案的部署特徵
Python 程式設計技能是資料科學和機器學習中最受歡迎的語言
機器學習數學，包括線性代數、微積分及其在機器學習演算法和資料科學中的應用
資料科學的統計和統計分析
資料科學的資料視覺化
應用機器學習之前的資料處理與操作
機器學習
用於機器學習的 Ridge (L2)、Lasso (L1) 和 Elasticnet 回歸/正規化
機器學習模型的特徵選擇與降維
使用交叉驗證和超參數調整的機器學習模型選擇
無監督機器學習的聚類分析
使用當今最受歡迎的工具和技術的深度學習。

本資料科學和機器學習課程的設計考慮了上述所有方面，是真正的資料科學和機器學習 A-Z 課程。在許多資料科學和機器學習課程中，教授演算法時並不教授Python或此類程式語言。然而，為了實施包括資料科學和機器學習在內的任何學科，理解語言的結構非常重要。

此外，如果不了解數學和統計學，就不可能理解某些資料科學和機器學習演算法和技術的工作原理。

資料科學和機器學習是一組相互關聯的複雜主題。然而，我們堅信愛因斯坦曾經說過的話：

“如果你不能簡單地解釋它，那麼你還沒有理解它。”

身為教練，我總是盡我最大的努力來實踐這項原則。這是一門關於資料科學和機器學習的綜合課程，它使用最簡單的範例，深入地教你學習資料科學和機器學習所需的一切。

正如你將從預覽講座中看到的那樣，一些最複雜的主題都用簡單的語言進行了解釋。

你將學到的一些關鍵技能，

Python程式設計

Python 被評為資料科學和機器學習領域的第一語言。它易於使用，並且富含執行資料科學和機器學習各種任務所需的各種庫和功能。此外，它是包括 Tensorflow 和 Keras 在內的許多深度學習框架最首選和預設使用的語言。

機器學習的高階數學

數學是一般資料科學，特別是機器學習的基礎。如果不理解向量、矩陣的意義及其運算以及微積分，就不可能理解資料科學和機器學習的基礎。梯度下降是神經網路和機器學習的基礎，它建立在微積分和導數的基礎上。

資料科學高級統計

僅了解平均數、中位數、眾數等是不夠的。它還幫助我們理解資料行為，然後應用適當的機器學習技術，從資料科學和機器學習的各種技術中獲得最佳結果。

資料視覺化

正如他們所說，圖片勝過千言萬語。資料視覺化是資料科學和機器學習的關鍵技術之一，用於探索性資料分析。在此過程中，我們直觀地分析數據以識別模式和趨勢。我們將學習如何創建各種圖表，以及如何為所有實際目的分析它們。特徵選擇在機器學習中起著關鍵作用，而資料視覺化是其中的關鍵。

資料處理

資料科學需要大量的資料處理。資料科學和機器學習從業者花費超過 2/3 的時間處理和分析資料。資料可能充滿噪音，並且永遠不會處於最佳狀態和形式。資料處理是資料科學和機器學習獲得最佳結果的關鍵學科之一。我們將使用 Pandas（Python 中最受歡迎的資料處理庫）和各種其他庫來讀取、分析、處理和清理資料。

機器學習

資料科學的核心和靈魂是機器學習和深度學習演算法提供的預測能力。機器學習使資料科學的整體學科領先其他學科。我們將結合從前面幾節中學到的所有內容並建立各種機器學習模型。機器學習的關鍵方面不僅僅是演算法，還包括理解機器學習演算法使用的各種參數。我們將了解所有關鍵參數以及它們的值如何影響結果，以便你可以建立最佳的機器學習模型。

特徵選擇和降維

如果你想知道什麼是優秀的資料科學家，那麼本節就是答案。一個優秀的資料科學和機器學習實踐者不僅僅使用 libraries 和幾行程式碼。她會客觀地分析數據的每一個特徵，並根據統計分析選擇最相關的特徵。在應用 PCA 的特徵選擇和降維原理後，我們將學習如何減少特徵數量以及如何在實踐和建立各種機器學習模型時保留資料中的價值。

深度學習

如果你不知道如何建立強大的神經網絡，你就無法成為優秀的資料科學和機器學習實踐者。深度學習可以說是另一種具有強大能力和靈活性的機器學習。在學習機器學習之後，我們將學習深度學習的一些關鍵基礎知識，並先打下堅實的基礎。然後我們將使用世界上最受歡迎的深度學習框架 Keras 和 Tensorflow。

Kaggle 專案

作為一名有抱負的資料科學家，我們一直希望致力於機器學習的 Kaggle 專案並取得良好的成果。我花了大量的精力和時間來確保你了解執行真正的資料科學和機器學習專案的整個過程。這對你來說將是一個很好的機器學習挑戰。

你從本課程中將有的收穫：