Naukowiec ds. uczenia maszynowego w Pythonie

Dive into agriculture using supervised machine learning and feature selection to aid farmers in crop cultivation and solve real-world problems.

Naucz się grupować, przekształcać, wizualizować i wyciągać wnioski z nieoznaczonych zbiorów danych za pomocą scikit-learn i scipy.

Arctic Penguin Exploration: Unraveling Clusters in the Icy Domain with K-means Clustering

W tym kursie poznasz szczegóły klasyfikatorów liniowych, takich jak regresja logistyczna i SVM.

W tym kursie nauczysz się używać modeli drzewiastych i zespołów do regresji i klasyfikacji w scikit-learn.

Build a regression model for a DVD rental firm to predict rental duration. Evaluate models to recommend the best one.

Poznaj podstawy gradient boosting i twórz nowoczesne modele machine learning z XGBoost do rozwiązywania problemów klasyfikacji i regresji.

W tym kursie poznasz uczenie nienadzorowane dzięki technikom takim jak klastrowanie hierarchiczne i k-means z użyciem biblioteki SciPy.

Poznaj koncepcję redukcji wymiarowości danych i opanuj techniki jej wykonywania w Pythonie.

Naucz się czyścić i przygotowywać dane do machine learning!

Kurs koncentruje się na inżynierii cech i uczeniu maszynowym dla danych szeregów czasowych.

Twórz nowe funkcje, by poprawić wydajność swoich modeli Machine Learning.

Poznaj podstawy walidacji modeli, technik walidacji i zacznij tworzyć zwalidowane, wydajne modele.

Poznaj techniki automatycznego strojenia hiperparametrów w Pythonie, w tym Grid, Random i Informed Search.

Master text analysis with essential NLP techniques from preprocessing to advanced transformer models.

Opanuj podstawowe operacje spaCy i trenuj modele do przetwarzania języka naturalnego. Wyodrębniaj informacje z nieustrukturyzowanych danych i dopasowuj wzorce.

Poznaj techniki wydobywania przydatnych informacji z tekstu i przetwarzania ich do formatu odpowiedniego dla machine learning.

Dowiedz się, jak zbudować swoją pierwszą sieć neuronową, dostosować hiperparametry i rozwiązywać problemy klasyfikacji oraz regresji w PyTorch.

Poznaj podstawowe architektury deep learning, takie jak CNN, RNN, LSTM i GRU, do modelowania danych obrazowych i sekwencyjnych.

Naucz się przetwarzać, przekształcać i manipulować obrazami według własnej woli.

Opanuj PySpark, by z łatwością obsługiwać big data — ucz się przetwarzać, zapytywać i optymalizować ogromne zbiory danych do zaawansowanej analityki!

Naucz się tworzyć prognozy z danych w Apache Spark, używając drzew decyzyjnych, regresji logistycznej, regresji liniowej, zespołów i potoków.

Naucz się, jak podejść do konkursów na Kaggle i je wygrywać.