- #SkladchinaVip
- #1
[Udemy] DS Pro Инструментарий Python [Maryna Tkachenko]
- Ссылка на картинку
-
Чему вы научитесь
1. Изучение базового Python
Переменные, константы, скалярные типы данных, коллекции (составные типы данных), операторы, функции, модули, вывод данных, инкапсуляция, наследование, полиморфизм
2. Сбор данных средствами Python (модули re, bs4 )
Работа с регулярными выражениями, синтаксический анализатор HTML/XML текста Beautiful Soup
3. Работа с таблицами данных средствами Python (модуль pandas)
Выбор и сортировка данных таблиц, управление отсутствующими данными таблиц, чтение и запись таблиц, визуализация данных таблиц
4. Неглубокое машинное обучение средствами Python (модуль sklearn)
Методы:
- классификации (персептрон, многослойный персептрон, машина опорных векторов классификации, линейный дискриминантный анализ (LDA), логистическая регрессия, наивный классификатор Байеса, решающие деревья классификации, классификатор ближайших соседей, ансамбли классификаторов),
- аппроксимации (регрессия наименьших квадратов (OLS), регрессия LASSO, регрессия Ridge, регрессия ElasticNet, регрессия наименьшего угла (LAR), регрессия Байеса, обобщенная линейная регрессия (GLR), машина опорных векторов аппроксимации , решающие деревья аппроксимации, аппроксиматор ближайших соседей, ансамбли аппроксиматоров),
- кластеризации (алгоритмы центроидные (K-средних, сдвига среднего значения), моделей смеси (EM), плотностные (DBSCAN, OPTICS), спектральные, иерархические),
- обнаружения случайных выбросов (одноклассовая машина опорных векторов (one-class SVM), изолированный лес, минимальный ковариационный определитель (MCD), фактор локальных выбросов (LOF)),
- восстановления данных (ограниченная машина Больцмана),
- линейного снижения размерности данных (анализ главных компонент (PCA), разложение по сингулярным значениям (SVD), факторный анализ, анализ независимых компонент (ICA), факторизация неотрицательной матрицы (NMF), линейный дискриминантный анализ (LDA), анализ ближайших компонент (NCA)),
- нелинейного снижения размерности данных (Isomap, локальное линейное вкладывание (LLE), спектральное вкладывание, выравнивание локального касательного пространства (LTSA), многомерное шкалирование (MDS), t-SNE),
- выбора признаков (на основе наименьшей дисперсии, хи-квадрат, F-значения, взаимной информации)
5. Глубокое машинное обучение средствами Python (подмодуль keras модуля tensorflow)
Создание искусственных нейронных сетей (многослойный персептрон (MLP), каскадная нейросеть прямого распространения (CFNN), автоэнкодер, шлюзовый рекуррентный блок (GRU), долгая краткосрочная память (LSTM), сверточная нейросеть (CNN)) для задач классификации, аппроксимации, восстановления данных
Для кого этот курс:
- Изучение базового Python
- Сбор данных средствами Python (модули re (работа с регулярными выражениями), bs4 (синтаксический анализатор HTML/XML текста Beautiful Soup))
- Работа с таблицами средствами Python (модуль pandas)
- Неглубокое машинное обучение средствами Python (модуль sklearn)
- Глубокое машинное обучение средствами Python (подмодуль keras модуля tensorflow)
- Навыки программирования не обязательны, поскольку в курсе есть всё необходимое
1. Изучение базового Python
Переменные, константы, скалярные типы данных, коллекции (составные типы данных), операторы, функции, модули, вывод данных, инкапсуляция, наследование, полиморфизм
2. Сбор данных средствами Python (модули re, bs4 )
Работа с регулярными выражениями, синтаксический анализатор HTML/XML текста Beautiful Soup
3. Работа с таблицами данных средствами Python (модуль pandas)
Выбор и сортировка данных таблиц, управление отсутствующими данными таблиц, чтение и запись таблиц, визуализация данных таблиц
4. Неглубокое машинное обучение средствами Python (модуль sklearn)
Методы:
- классификации (персептрон, многослойный персептрон, машина опорных векторов классификации, линейный дискриминантный анализ (LDA), логистическая регрессия, наивный классификатор Байеса, решающие деревья классификации, классификатор ближайших соседей, ансамбли классификаторов),
- аппроксимации (регрессия наименьших квадратов (OLS), регрессия LASSO, регрессия Ridge, регрессия ElasticNet, регрессия наименьшего угла (LAR), регрессия Байеса, обобщенная линейная регрессия (GLR), машина опорных векторов аппроксимации , решающие деревья аппроксимации, аппроксиматор ближайших соседей, ансамбли аппроксиматоров),
- кластеризации (алгоритмы центроидные (K-средних, сдвига среднего значения), моделей смеси (EM), плотностные (DBSCAN, OPTICS), спектральные, иерархические),
- обнаружения случайных выбросов (одноклассовая машина опорных векторов (one-class SVM), изолированный лес, минимальный ковариационный определитель (MCD), фактор локальных выбросов (LOF)),
- восстановления данных (ограниченная машина Больцмана),
- линейного снижения размерности данных (анализ главных компонент (PCA), разложение по сингулярным значениям (SVD), факторный анализ, анализ независимых компонент (ICA), факторизация неотрицательной матрицы (NMF), линейный дискриминантный анализ (LDA), анализ ближайших компонент (NCA)),
- нелинейного снижения размерности данных (Isomap, локальное линейное вкладывание (LLE), спектральное вкладывание, выравнивание локального касательного пространства (LTSA), многомерное шкалирование (MDS), t-SNE),
- выбора признаков (на основе наименьшей дисперсии, хи-квадрат, F-значения, взаимной информации)
5. Глубокое машинное обучение средствами Python (подмодуль keras модуля tensorflow)
Создание искусственных нейронных сетей (многослойный персептрон (MLP), каскадная нейросеть прямого распространения (CFNN), автоэнкодер, шлюзовый рекуррентный блок (GRU), долгая краткосрочная память (LSTM), сверточная нейросеть (CNN)) для задач классификации, аппроксимации, восстановления данных
Для кого этот курс:
- Разработчики заинтересованные в изучении инструментария науки о данных (Data Science)
Показать больше