Uczenie maszynowe – biblioteka scikit-learn

499,00 

Kurs w przygotowaniu – będzie dostępny w IV Kwartale 2021

Zapoznanie się z biblioteką Scikit-Learn to świetny początek przygody z analizą danych oraz uczeniem maszynowym. W tym kursie znajdziesz zadania dotyczące prostych problemów, dzięki którym zrozumiesz nie tylko działanie samej biblioteki, ale także pierwsze praktyczne zagadnienia dotyczące m.in. klasyfikacji.

W przygotowaniu

Opis

Kurs w liczbach:

  • Liczba zadań praktycznych w kursie: 30 zadań
  • Liczba minut materiału video:
  • Liczba stron materiałów pdf:
  • Poziom trudności: Średniozaawansowany 
  • Szacowany czas uczenia kursu: 20h

Co uzyskujesz w ramach kursu: 

  • Dostęp do środowiska programistycznego w przeglądarce wraz z systemem automatycznego testowania programów przez 12 miesięcy od zakupu kursu 
  • Dożywotni dostęp do materiałów video prezentujących sposób rozwiązania zadania wraz z omówieniem 
  • Dożywotni dostęp do materiałów teoretycznych pdf wprowadzających w tematykę zadań praktycznych 
  • Dożywotni dostęp do napisanych programów w ramach sprawdzanych zadań na platformie  
  • Imienny certyfikat ukończenia kursu (warunek wykonania poprawnie min. 85% zadań przewidzianych w kursie

Zawartość kursu:

  1. Titanic 
    • Wczytanie i podział danych
    • Wizualizacja
    • Usunięcie kolumn
    • Uzupełnianie brakujących danych
    • Zakodowanie danych
    • Skalowanie
    • Model – SGDClassifier
    • Model – SVC
    • Model – DecisionTreeClassifier
    • Wyniki z trzech modeli
  2. IRIS
    • Wczytanie i wstępny podział danych
    • Skalowanie danych
    • Podział na dane treningowe i testowe
    • Budowa i trening modelu KNN
    • Wytrenowanie modelu
    • Zakodowanie danych
    • Predykcja i ocena wyników
    • Wykorzystanie modelu GaussianProcessClassifier
    • Porównanie modeli
    • Wizualizacja wyników
  3. Boston – predykcja cen domów
    • Wczytanie i wstępny podział danych
    • Skalowanie danych
    • Podział na dane treningowe i testowe
    • Budowa i trening modelu SVR
    • Predykcja i ocena wyników
    • Odwrócone skalowanie danych
    • Wykorzystanie modelu LinearRegression
    • Wykorzystanie modelu BayesianRidge
    • Wizualizacja wyników
    • Porównanie modeli