fbpx

100 天資料科學訓練營:建構 100 個現實生活專案

建構和部署資料科學、機器學習、深度學習(Python、Flask、Django、AWS、Azure、GCP、Heruko Cloud)

從這 105.5 小時的課程,你會學到

  • 對實戰案例研究進行特徵工程。
  • 進行強大的分析,製作強大的機器學習模型
  • 製作強大的機器學習模型,掌握 Python 上的機器學習
  • 現實生活中的案例研究和專案,以了解現實世界中的事務是如何完成的
  • 實施機器學習演算法
  • 學習執行分類和回歸建模
  • 知道為每種類型的問題選擇哪種機器學習模型
  • 了解機器學習生命週期的完整產品工作流程

要求

機器學習基礎知識

課程說明

在本課程中,實際使用資料科學解決業務問題。學習使用 Python 構建和部署機器學習、資料科學、人工智慧、自動機器學習、深度學習、自然語言處理 (Nlp) Web 應用程式專案(Flask、Django、Heroku、AWS、Azure、GCP、IBM Watson、Streamlit Cloud) .

根據 Glassdoor 的數據,資料科學家的平均薪資為 117,345 美元/年。這高於44,564美元的全國平均水平。因此,資料科學家的收入比全國平均收入高出 163%。

這使得資料科學成為豐厚收入的職業選擇。這高薪主要是市場對於資料科學家的巨大需求與人才缺口導致。

由於資料科學要求一個人精通統計、數學和計算機科學等多個領域,因此學習曲線非常陡峭。因此,資料科學家在市場上的價值非常高。

資料科學家在公司享有聲望。該公司依靠其專業知識來制定資料驅動的決策,並使他們能夠朝著正確的方向前進。

此外,資料科學家的角色取決於其雇主公司的專業化程度。例如——商業行業需要資料科學家來分析他們的銷售情況。

一家醫療保健公司將需要資料科學家幫助他們分析基因組序列。資料科學家的薪水取決於他的角色和他必須執行的工作類型。它還取決於公司的規模,這取決於他們使用的資料量。

儘管如此,資料科學家的薪酬水準仍遠高於其他 IT 和管理部門。然而,所觀察到的資料科學家薪資與他們必須投入的工作量成正比。資料科學需要努力工作,並且要求其在需要技能上有透徹的了解。

由於這職位的高薪,數據科學是個很有吸引力的領域。此外,再加上資料科學領域的職位空缺數量,使它成為一個等著開採的金礦。因此,你應該學習資料科學享受豐厚成果的職涯。

在本課程中,我們將開展下列 100 個實戰專案:

專案 1: 泛卡篡改檢測的應用 – 部署到 Heroku

專案 2: 狗品種預測的 Flask App

專案 3: 圖上浮水印應用 – 部署到 Heroku

專案 4: 交通標誌分類

專案 5: 從圖像 App 提取文本

專案 6: 植物病害預測的 Streamlit App

專案 7: 車輛檢測與計數的 Flask App

專案 8: 創建換臉的 Flask App

專案 9: 鳥類種類預測的 Flask App

專案 10: Intel 圖像分類的 Flask App

專案 11: 使用 IBM Cloud 服務的語言翻譯的 App –部署到 Heroku

專案 12: 使用 IBM Watson 預測廣告瀏覽量 – 部署到 Heroku

專案 13: 筆記本電腦價格預測器 – 部署到 Heroku

專案 14: WhatsApp 文本分析器 – 部署到 Heroku

專案 15: 課程推薦系統 – 部署到 Heroku

專案 16: IPL 比賽獲勝預測器 – 部署到 Heroku

專案 17: 體脂估算 App – 部署到 Microsoft Azure

專案 18: 校園安置預測的 App – 部署到 Microsoft Azure

專案 19: 汽車可接受性預測器 – 部署到 Google Cloud

專案 20: 書籍類型分類的 App – 部署到 Amazon Web Services

專案 21 : 用於發現大腸桿菌的 DNA 分類 部署到 AWS

專案 22 : 預測句子中的下一個單詞 – AWS – 部署到 AWS

專案 23 : 使用 LSTM 預測下一個數字序列 – 部署到 AWS

專案 24 : 使用 NLP 從文本中提取關鍵字 – 部署到 Azure

專案 25 : 糾正錯誤的拼寫 – 部署到 Azure

專案 26 : 音樂流行分類 – 部署到 Google App Engine

專案 27 : 廣告分類 部署到 Google App Engine

專案 28 : 圖像數位分類 部署到 AWS

專案 29 : 使用神經網路的情緒識別 – 部署到 AWS

專案 30 : 乳腺癌分類 – 部署到 AWS

專案 31: 情緒分析的 Django App – 部署到 Heroku

專案 32: 流失率的 Django App

專案 33: 尋找傳奇口袋妖怪的 Django App – 部署到 Heroku

專案 34: 人臉檢測的 Streamlit App

專案 35: 貓與狗分類的 Flask App

專案 36: 客戶收入預測的 App – 部署到 Heroku

專案 37: 從聲音預測性別的 App – 部署到 Heroku

專案 38: 餐廳推薦系統

專案 39: 幸福排名的 Django App – 部署到 Heroku

專案 40: 森林火災預測的 Django App – 部署到 Heroku

專案 41: 建立汽車價格預測的 App – 部署到 Heroku

專案 42: 建立事務計數的 Django App – 部署到 Heroku

專案 43: 建立 Shrooming 預測 App – 部署到 Heroku

專案 44: Google Play 應用評分預測 部署到 Heroku

專案 45: 建立銀行客戶預測Django App – 部署到 Heroku

專案 46: 建立藝術家雕塑成本預測的 Django App – 部署到 Heroku

專案 47: 建立醫療成本預測的 Django App – 部署到 Heroku

專案 48: 釣魚網頁分類的 Django App – 部署到 Heroku

專案 49: 服裝合身尺碼預測的 Django App – 部署到 Heroku

專案 50: 在文本中建立相似性的 Django App – 部署到 Heroku

專案 51: 黑色星期五促銷專案

專案 52: 情緒分析專案

專案 53: 帕金森病預測專案

專案 54: 假新聞分類器專案

專案 55: 有毒評論分類器專案

專案 56:電影收視率預測

專案 57: 印度空氣品質預測

專案 58: Covid-19 案例分析

專案 59: 客戶流失預測

專案 60: 創建聊天機器人

專案 61: 電子遊戲銷售分析

專案 62: Zomato 餐廳分析

專案 63: Walmart 銷售預測

專案 64 : 使用信號處理技術進行聲波速度預測

專案 65 : 使用機器學習估計孔隙壓力

專案 66 : 使用 ML 進行音訊處理

專案 67 : 使用語音識別的文本表徵

專案 68 : 使用神經網路進行音訊分類

專案 69 : 開發一個語音助理

專案 70 : 客戶區隔

專案 71 : FIFA 2019 分析

專案 72 : 網路上爬取到的資料的情緒分析

專案 73 : 確定紅藤品質

專案 74 : 客戶性格分析

專案 75 : 印度的識字分析

專案 76: 使用 Eval ML (Auto ML) 預測心臟病發作風險

專案 77: 使用 Pycaret (Auto ML) 檢測信用卡欺詐

專案 78: 使用 Auto SK Learn (Auto ML) 的航班票價預測

專案 79: 使用 Auto Keras 進行汽油價格預測

專案 80: 使用 H2O Auto ML 進行銀行客戶流失預測

專案 81: 使用 TPOT 和端到端部署 (Auto ML) 的空氣品質指數預測器

專案 82: 使用 ML 模型和 PyCaret 進行降雨預測(Auto ML)

專案 83: 使用 ML 和 EVALML(Auto ML)進行披薩價格預測

專案 84: 使用 TPOT(Auto ML)的 IPL 板球得分預測

專案 85: 使用 ML 和 H2O Auto ML 預測自行車租賃數量

專案 86: 使用 Auto Keras (Auto ML) 進行混凝土抗壓強度預測

專案 87: 使用 Auto SK Learn (Auto ML) 進行班加羅爾房價預測

專案 88: 使用 PyCaret (Auto ML) 進行醫院死亡率預測

專案 89: 使用 ML 和 Eval Auto ML 進行員工晉升評估

專案 90: 使用 ML 和 H2O Auto ML 進行飲用水可飲用性預測

專案 91: 運用 OpenCV 和 Tkinter 的圖像編輯器的 App

專案 92: 使用 Tkinter 和 Sqlite3 進行品牌識別遊戲

專案 93: 使用 Tkinter 和 Sqlite3 的交易 App

專案 94: 使用 Django 的學習管理系統

專案 95: 使用 Django 創建新聞入口網站

專案 96: 使用 Django 創建學生入口網站

專案 97: 運用 Django 和 Plotly 的生產力追蹤器

專案 98: 用 Django 創建一個學習小組

專案 99: 使用 PyQt5、SQLite 建作物指南的 App

專案 100: 使用 PyQt5、SQLite 構建密碼管理器的 App

提示:制定50天學習計劃或100天學習計劃,每天花1-3小時,50天完成100個專案或100天完成100個專案。

成為資料科學家、被聘用並開始新職業所需的唯一課程

注意(閱讀此內容):這門課程值得你花時間和金錢,在優惠到期前立即註冊。

目標受眾

資料科學初學者

講師簡介

Pianalytix . 創新技術

Pianalytix Edutech Pvt Ltd 使用尖端的人工智慧技術和創新的產品設計來幫助用戶更有效地學習機器學習並在現實世界中實施機器學習。

Pianalytix 還利用尖端人工智慧的力量,通過優化流程、最大限度地提高效率和提高盈利能力,使企業能夠獲得巨額利潤。

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

使用 Notion 來做上課筆記?

udemy 的課程講座數量動輒上百個,如果你要使用 Notion 當作是線上課程的筆記輔助工具,為這些講座建立與組織筆記是一件耗時且沒效率的工作

為了解決這個問題,Soft & Share 開發一個 chrome extension – LN+ for udemy ,可以根據 udemy 線上課程的課程大綱幫你自動建立成 Notion 筆記資料庫並產生筆記與課程的雙向關聯讓您專心上課與寫筆記就好,不用再煩惱課程筆記要放哪裡的問題!

🛫了解 LN+ for udemy 更多功能介紹請參考 – Learning Notes Plus for udmy


報名參加課程

Sponsored by Udemy


🛫使用關鍵字連結獲得更多線上學習資訊?請參考這個網頁說明


幫我們個小忙!

使用 e-mail 追蹤 Soft & Share

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 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: