機器學習 A-Z™：使用 Python & R 實踐資料科學 [2023]

Contents

對於使用 Python/ R 學習機械學習/資料科學有興趣，這堂課號稱只要有高中數學程度就可以學習了，這兩位講師實務經驗很豐富，Kirill Eremenko 將他的專長應用在外匯交易，Hadelin 曾在 Google 實現了一些機器學習模型應用於商業分析的研究，目前自己則在創業。本課程您將跟這這兩位資料科學專家學習如何使用 Python 和 R 創建機器學習演算法 – 包括程式碼模板。

課程介紹影片

從這 42 小時的課程，你會學到

使用 Python & R 精通機器學習
對於許多機械學習模型擁有一個很好的直覺知識
做出準確的預測
做出強大的分析
做出強大的機器學習模型
對商業創造強大的附加價值
使用機器學習為了私人用途
運用特定的主題，例如 Reinforcement Learning，NLP 和 Deep Learning
運用進階的技術，例如 Dimensionality Reduction
知道為每種類型的問題選擇哪種機器學習模型
建立強大的機器學習模型軍隊並且知道如何將它們結合起來，解決任何問題

課程介紹

對機器學習領域感興趣？那麼本課程適合你！

本課程由一位資料科學家和一位機器學習專家設計，以便我們可以分享我們的知識並幫助你以簡單的方式學習複雜的理論、演算法和程式庫。

全世界超過 900,000 名學生信任這門課程。

我們將帶你一步步進入機器學習的世界。通過每個教程，你將培養新技能並提高你對資料科學這一具有挑戰性但利潤豐厚的子領域的理解。

可以通過學習 Python 教程或 R 教程，或同時學習 Python 和 R 來完成本課程。選擇你職業生涯所需的程式語言。

這門課程既有趣又令人興奮，與此同時，我們深入研究了機器學習。它的結構如下：

第 1 部分 – 資料預處理
第 2 部分 – 迴歸：簡單線性迴歸、多元線性迴歸、多項式迴歸、SVR、決策樹迴歸、隨機森林迴歸
第 3 部分 – 分類：邏輯迴歸、K-NN、SVM、核 SVM、樸素貝葉斯、決策樹分類、隨機森林分類
第 4 部分 – 叢集( clustering )：K-Means、層次叢集
第 5 部分 – 關聯規則學習：Apriori、Eclat
第 6 部分 – 強化學習：置信上限，湯普森抽樣
第 7 部分 – 自然語言處理：NLP 的詞袋模型和演算法
第 8 部分 – 深度學習：人工神經網路、卷積神經網路
第 9 部分 – 降維：PCA、LDA、核心 PCA
第 10 部分 – 模型選擇和提升：k 折交叉驗證、參數調整、網格搜索、XGBoost

每個部分內的每個部分都是獨立的。因此，你可以從頭到尾學習整個課程，也可以直接跳到任何特定部分，立即了解您的職業所需的知識。

此外，該課程包含基於真實案例研究的實踐練習。因此，你不僅會學習理論，還會獲得大量建構自己模型的實踐機會。

作為獎勵，本課程包括 Python 和 R 程式碼模板( template )，你可以下載這些模板並將其用於您自己的專案。

上這堂課需要什麼基礎？

只要具備高中數學水準

目標受眾為何？

任何對機器學習感興趣的人
至少具有高中數學知識和想要開始學習機器學習的學生
任何已經知道機器學習基礎知識的中階人士，包括classical algorithms，例如線性回歸或邏輯回歸，想要了解更多，並且想要探索機器學習的所有不同領域的人
對於不喜歡程式設計，但對機器學習感興趣，並希望將其輕鬆應用於 datasets 的人
任何在大學的學生想要開始在資料科學的職業生涯
任何想要升級機器學習的資料分析師
任何對他/她們的工作不滿意並想成為資料科學家的人
任何想要通過使用強大的機器學習工具為他們的業務創造附加值的人