Cơ sở học máy thực hành bằng Python

Học máy là công nghệ cốt lõi dẫn dắt AI hiện đại, nhưng để bắt đầu cần có một sự nắm bắt vững chắc về các khái niệm cơ bản và kỹ năng thực hiện thực tế. Chương trình này cung cấp một cách giới thiệu rõ ràng, từng bước cho các khái niệm và thuật toán cơ bản của việc học có giám sát và không giám thị. Bạn sẽ chuyển từ việc hiểu nền tảng lý thuyết của ML để áp dụng các kỹ thuật này để giải quyết các thách thức khoa học dữ liệu thông thường bằng cách sử dụng thư viện Python tiêu chuẩn công nghiệp. Bạn sẽ học được: * Hiểu được sự khác biệt cốt lõi giữa các mô hình học có giám sát, không giám thị và củng cố. * Apply các thuật toán thiết yếu như Linear Regression, Logistic Regression, Decision Trees, và K-Means clustering. * Thực hành dọn dẹp, chuẩn bị và chuyển đổi dữ liệu thế giới thực đặc biệt cho việc hấp thụ mô hình học máy. * Đánh giá hiệu suất mô hình bằng cách sử dụng các chỉ số quan trọng như chính xác, nhớ lại, điểm F1 và đường cong ROC. * Cấu hình các đường ống mô hình cơ bản và học các phương pháp để lưu và tải các mô hình được đào tạo để sử dụng trong tương lai. * Tạo các văn lệnh Python hoàn chỉnh, hoạt động để giải quyết các vấn đề phân loại và hồi quy bằng dữ liệu thực. Chương trình bắt đầu bằng cách xác định thuật ngữ chính và thiết lập môi trường Python của bạn. Sau đó bạn sẽ khám phá các thuật toán cơ bản một cách có hệ thống, kèm theo các bài tập viết thực tế tập trung vào việc chuẩn bị dữ liệu, đào tạo và đánh giá mô hình khách quan. Lớp học này được thiết kế đặc biệt cho người mới bắt đầu không có kinh nghiệm học máy trước đó. Sự quen thuộc cơ bản với cú pháp Python là hữu ích nhưng không bắt buộc. Bắt đầu hành trình của bạn vào khoa học dữ liệu và trí tuệ nhân tạo hôm nay bằng cách nắm vững các nền tảng của học máy.