After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Przygotuj się do rozmowy kwalifikacyjnej z zakresu uczenia maszynowego
Czy kiedykolwiek zastanawiałeś się, jak właściwie przygotować się do rozmowy kwalifikacyjnej z zakresu Machine Learning? W tym kursie przygotujesz odpowiedzi na 15 najczęściej zadawanych pytań rekrutacyjnych z zakresu Machine Learning (ML) w Pythonie na stanowisko data scientist.Te pytania będą dotyczyć siedmiu ważnych zagadnień: wstępnego przetwarzania danych, wizualizacji danych, uczenia nadzorowanego, uczenia nienadzorowanego, zespołowania modeli, doboru modeli oraz oceny modeli.
Odśwież swoją wiedzę z zakresu uczenia maszynowego
Zaczniesz od pracy nad pytaniami dotyczącymi wstępnego przetwarzania danych i wizualizacji danych. Po wykonaniu wszystkich kroków wstępnego przetwarzania stworzysz predykcyjny model ML, aby doskonalić swoje praktyczne umiejętności.Następnie omówisz kilka technik uczenia nadzorowanego, zanim przejdziesz do uczenia nienadzorowanego. W zależności od roli, prawdopodobnie omówisz oba te zagadnienia podczas rozmowy kwalifikacyjnej z zakresu machine learning.
Na koniec omówisz dobór i ocenę modeli, sprawdzając, jak oceniać wydajność pod kątem generalizacji modelu, a także poznasz różne techniki podczas tworzenia modelu zespołowego.
Ćwicz odpowiedzi na najczęściej zadawane pytania podczas rozmów kwalifikacyjnych z zakresu uczenia maszynowego
Pod koniec kursu będziesz posiadać zarówno niezbędne podstawy teoretyczne, jak i umiejętność tworzenia kodu w Pythonie, aby skutecznie odpowiedzieć na te 15 pytań.Przykłady kodu będą opierać się głównie na pakiecie scikit-learn, ze względu na jego łatwość użycia i możliwość omówienia najważniejszych technik uczenia maszynowego w języku Python.
Kurs nie uczy podstaw uczenia maszynowego, ponieważ są one omówione w wymaganiach wstępnych kursu.
Wymagania wstępne
Program kursu
Plan kursu
1
Wstępne przetwarzanie i wizualizacja danych
W pierwszym rozdziale tego kursu wykonasz wszystkie kroki wstępnego przetwarzania danych potrzebne do zbudowania predykcyjnego modelu uczenia maszynowego – dowiesz się, jak postępować z brakującymi wartościami i wartościami odstającymi oraz jak normalizować zbiór danych.
- Obsługa brakujących danych50 XP
- Polowanie na brakujące wartości100 XP
- Prosta imputacja100 XP
- Iteracyjna imputacja100 XP
- Rozkłady danych i transformacje50 XP
- Rozkłady zbioru treningowego i testowego oraz transformacje50 XP
- Rozkłady danych treningowych i testowych100 XP
- Transformacje logarytmiczna i potęgowa100 XP
- Wartości odstające i skalowanie danych50 XP
- Wykrywanie wartości odstających100 XP
- Obsługa wartości odstających100 XP
- Standaryzacja z użyciem Z-score100 XP
2
Uczenie nadzorowane
W drugim rozdziale tego kursu przećwiczysz różne aspekty technik nadzorowanego uczenia maszynowego: wybór optymalnego podzbioru cech, regularyzację zapobiegającą przeuczeniu modelu, inżynierię cech oraz modele zespołowe służące do radzenia sobie z tzw. kompromisem między obciążeniem a wariancją.
3
Uczenie nienadzorowane
W trzecim rozdziale tego kursu skorzystasz z uczenia nienadzorowanego, aby zastosować techniki ekstrakcji cech i wizualizacji służące redukcji wymiarowości, a także metody klasteryzacji – dobierzesz zarówno odpowiedni algorytm grupowania, jak i optymalną liczbę klastrów dla zbioru danych.
4
Dobór i ewaluacja modelu
W czwartym, ostatnim rozdziale tego kursu zdecydowanie podnosisz poprzeczkę: zastosujesz bootstrapping i walidację krzyżową do oceny zdolności modelu do generalizacji, techniki ponownego próbkowania dla niezbalansowanych klas, wykryjesz i usuniesz współliniowość oraz zbudujesz model zespołowy.
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Kurs
ukończony
