Data Science: modele regresji i klastrowania

Wyodrębnianie istotnych wzorców z danych jest podstawą nowoczesnego podejmowania decyzji. Ten kurs tekstowy wprowadza do podstawowych pojęć regresji i klastrowania, dwóch filarów nadzorowanego i nienadzorowanego uczenia maszynowego. Będziesz przechodzić od zrozumienia podstawowych pojęć statystycznych do budowania, sprawdzania poprawności i udoskonalania modeli predykcyjnych. Studiując rzeczywiste scenariusze za pomocą pisemnych wyjaśnień i czystych przykładów kodu, zyskasz pewność, że zastosujesz te techniki do własnych zestawów danych. Co się nauczysz: Zrozumienie podstawowej matematyki i podstawowej terminologii regresji i klastrowania; Budowanie i udoskonalanie liniowych i wielozmiarowych modeli regresji za pomocą Pythona i R; Zastosuj techniki walidacji krzyżowej, aby zapobiec przesadzeniu i zapewnić niezawodność modelu; Grupuj złożone zbiory danych za pomoca nienadzorowanych algorytmów klastrowych, takich jak Ocenić wydajność modelu za pomocą nowoczesnych metryk i narzędzi uczenia maszynowego w chmurze, takich jak Azure ML; Wdrożyć czyste, powtarzalne przepływy pracy danych za pomoca nowoczesnej biblioteki ramek danych. Kurs zaczyna się od podstawowych definicji i podstaw przygotowania danych, zanim przejdziemy do praktycznego modelowania regresji, strategii walidacji i technik klastrowania. Będziesz systematycznie rozwijać się poprzez uporządkowane wyjaśnienia tekstowe, przewodniki po kodzie i ćwiczenia koncepcyjne. Ten kurs jest przeznaczony dla początkujących naukowców, analityków i początkujący szuka solidnego koncepcyjnego i praktycznego punktu wyjścia w uczeniu maszynowym, bez wcześniejszego doświadczenia w modelowaniu. Zacznij czytać już dziś, aby opanować podstawowe modele nauki o danych.