[PL 0302] Python for Data Manipulation - NumPy Masterclass

Name: [PL 0302] Python for Data Manipulation - NumPy Masterclass
Price: 45100 KRW

This is a lecture on how to use NumPy and practice its application in real-world scenarios.

(5.0) 4 reviews

98 learners

asdfghjkl13551941

이론 중심

시리즈

데이터전처리

Numpy

Python

What you will learn!

NumPy
Data processing
Data operation

NumPy, the core of data operations using Python!

NumPy is an abbreviation for Numerical Python and is a library specialized in operating on vectors, matrices, and higher-order tensors .

This NumPy is an essential technology for anyone who handles data using Python, and because it is the most universally used, it is a library that will serve you well once you learn it .

In the future, we will be implementing machine learning and deep learning algorithms directly using NumPy, so this is a library that you must learn properly before learning them in earnest.

`Recommended for these people`

Who is this course right for?

For those who want to learn NumPy properly.
Someone who does data analysis
People who are learning machine learning and deep learning

Need to know before starting?

Basic Python Syntax

`Hello This is`

3,096

Learners

128

Reviews

82

Answers

5.0

Rating

14

Courses

`강의 이력`

[멋쟁이 사자처럼] 인공지능중고급과정
[국립기상과학원] 2022년, 2023년, 2025년 기상 AI 부스트캠프
[삼성전기] 신입SW과정 전문반
[국가과학기술인력개발원] R&D 수행 역량 강화 장기 멘토링
[국가과학기술인력개발원] R&D 전문과정 이러닝 컨텐츠 제작
[국가과학기술인력개발원] 박사후연구원 연구 데이터 시각화 과정
[원광대학교] 원광대학교 AI 집체교육 및 AI 장단기과정
[한국지능정보사회진흥원] SW여성인재 교육
[SK m&service] 데이터 기반 의사결정
[한국IT비즈니스진흥협회] ICT COG Academy
[서울시 교육청] 신기술분야 연수
[KT] KT AI 역량향상 과정
[K-ICT] 데이터 안심구역 분석캠프
[경기도경제과학진흥원] 처음으로 배우는 비전 AI
[경기도경제과학진흥원] 파이썬 데이터 분석 입문
[서울과학기술원] AI 활용 심화교육
[서울대학교] AI 활용 역량강화 교육
[HD한국조선해양] AIC AI 연구직 역량 평가 개발
[멀티캠퍼스] 원리부터 구현까지, 머신러닝 핵심 알고리즘 마스터

[패스트캠퍼스] 수학적으로 접근하는 딥러닝
[패스트캠퍼스] 한 번에 끝내는 머신러닝과 데이터분석 A-Z
[패스트캠퍼스] 바이트 디그리 Lv.2 Deep Learning Essentials
[패스트캠퍼스] 딥러닝인공지능 초격차
[패스트캠퍼스] 컴퓨터 공학 초격차 VER.2

`Curriculum`

All

192 lectures ∙ (35hr 9min)

Course Materials:

Lecture resources


1. Orientation
27:00
2. Lecture 1-1: Introduction to NumPy
09:26
3. Lecture 1-2 Installing NumPy
07:33
4. Lecture 1-3 Tensors
11:54
5. Lecture 1-4: Interpretations of ndarrays
12:33


6. Lecture 2-1: Creating Scalar ndarrays with np.array
15:48
7. Lecture 2-2: Creating ndarrays with np.array
20:07
8. Lecture 2-3: Creating ndarrays with np.zeros, np.ones
11:29
9. Lecture 2-4: Creating ndarrays with Identical Elements
21:30
10. Lecture 2-5: Making ndarrays with np.arange
18:33
11. Lecture 2-6: Creating ndarrays with np.linspace
14:58


12. Lecture 3-1: Reshaping Vectors to Matrices
11:54
13. Lecture 3-2: Reshaping Vectors to Tensors
08:36
14. Lecture 3-3: Operations with Scalars
12:43
15. Lecture 3-4: Power Operations and Random Data
14:48
16. Lecture 3-5: Unary Arithmetic Operations
13:16
17. Lecture 3-6: Binary Arithmetic Operations
13:30
18. Lecture 3-7: Binary Arithmetic Operation APIs
12:11
19. Lecture 3-8 [PP] Function Graphs (1/2)
16:36
20. Lecture 3-9 [PP] Function Graphs (2/2)
17:21
21. Lecture 3-10: [PP] Taylor Approximations of Sin
14:59
22. Lecture 3-11 [PP] Taylor Approximations of Cos
06:04
23. Lecture 3-12 [PP] Errors and Softmax
17:38


24. Lecture 4-1 Comparisons
13:15
25. Lecture 4-2: Comparison APIs
11:22
26. Lecture 4-3: Types of Logical Operations
11:35
27. Lecture 4-4 Logical Operations (1/2)
11:42
28. Lecture 4-5: Logical Operations (2/2)
15:06
29. Lecture 4-6 [PP] Accuracy and TP, TN
14:11
30. Lecture 4-7: [PP] Confusion Matrix and Metrics
12:11


31. Lecture 5-1: Introduction to Broadcasting
07:12
32. Lecture 5-2 (m, n) + (1, n) Broadcasting
12:53
33. Lecture 5-3: (m,n) + (m,1) Broadcasting
07:35
34. Lecture 5-4 [PP] Mean Subtraction
12:59
35. Lecture 5-5: Matrix-Matrix Broadcasting (1/2)
18:57
36. Lecture 5-6: Matrix~Matrix Broadcasting (2/2)
06:58
37. Lecture 5-7 Tensor~Tensor Broadcasting (1/3)
12:43
38. Lecture 5-8 Tensor to Tensor Broadcasting (2/3)
16:07
39. Lecture 5-9 Tensor~Tensor Broadcasting (3/3)
11:57
40. Lecture 5-10: 2D to 1D Broadcasting
11:51
41. Lecture 5-11: 3D to 2D, 1D Broadcasting
12:48


42. Lecture 6-1: Squaring Elements
11:38
43. Lecture 6-2: Quadratic and Polynomial Functions
15:12
44. Lecture 6-3 Taylor Approximation; Revisited
15:34
45. Lecture 6-4: Reciprocal Values
10:00
46. Lecture 6-5 Rational Functions
12:24
47. Lecture 6-6: Irrational Values
14:28
48. Lecture 6-7: Irrational Functions (1/2)
12:57
49. Lecture 6-8 Irrational Functions (2/2)
15:18
50. Lecture 6-9: Exponential Functions
14:00
51. Lecture 6-10: Logarithmic Functions (1/2)
13:52
52. Lecture 6-11 Logarithmic Functions (2/2)
14:44
53. Lecture 6-12: deg2rad and rad2deg
06:53
54. Lecture 6-13: Trigonometric Functions
13:17
55. Lecture 6-14: Hyperbolic Functions
05:43
56. Lecture 6-15: Sign and Absolute Value Functions
06:40
57. Lecture 6-16 Rounding Functions (1/2)
09:45
58. Lecture 6-17 Rounding Functions (2/2)
10:20
59. Lecture 6-18 [PP] Normal Distributions
15:17
60. Lecture 6-19 [PP] Logits, Softmax, Binary Entropy
14:08
61. Lecture 6-20 [PP] Rounding Decimals
12:26


62. Lecture 7-1: Introduction to Integer Indexing
07:53
63. Lecture 7-2: Single Integer Indexing (1/2)
10:40
64. Lecture 7-3 Single Integer Indexing (2/2)
08:55
65. Lecture 7-4: For Loops on ndarrays (1/3)
10:51
66. Lecture 7-5: For Loops on ndarrays (2/3)
13:14
67. Lecture 7-6: For Loops on ndarrays (3/3)
16:26
68. Lecture 7-7: Array Integer Indexing on Vectors (1/2)
13:24
69. Lecture 7-8: Array Integer Indexing on Vectors (2/2)
12:07
70. Lecture 7-9: Array Integer Indexing on Matrices (1/2)
10:26
71. Lecture 7-10: Array Integer Indexing on Matrices (2/2)
10:54
72. Lecture 7-11: Array Integer Indexing Review
07:10
73. Lecture 7-12: Array Integer Indexing on Tensors
11:32
74. Lecture 7-13: Multiple Scalar Integer Indexing
09:19
75. Lecture 7-14: Multiple Vector Integer Indexing
12:29
76. Lecture 7-15: Multiple Matrix Integer Indexing
07:37
77. Lecture 7-16: Multiple Tensor Integer Indexing
07:47
78. Lecture 7-17: Index Broadcasting on Matrices
11:11
79. Lecture 7-18: Index Broadcasting on Tensors
07:48
80. Lecture 7-19 [PP] Integer Indexing Practices.1
08:58
81. Lecture 7-20 [PP] Integer Indexing Practices 2, 3
08:40
82. Lecture 7-21 [PP] Integer Indexing Practices 4-7
09:27


83. Lecture 8-1: np.nonzero
08:40
84. Lecture 8-2: np.nonzero on Matrices and Tensors
08:25
85. Lecture 8-3: np.nonzero on Boolean ndarrays
11:43
86. Lecture 8-4: Vector Boolean Indexing
11:29
87. Lecture 8-5: Vector Element Extractions
09:27
88. Lecture 8-6: Matrix Element Extractions
08:00
89. Lecture 8-7: Boolean Indexing with Same Shape Index
09:21


90. Lecture 9-1: Slicing on Vector ndarrays (1/2)
10:55
91. Lecture 9-2: Slicing on Vector ndarrays (2/2)
10:21
92. Lecture 9-3: Negative Indices on Vector ndarrays
11:13
93. Lecture 9-4: Omitting Indices on Vector ndarrays
10:56
94. Lecture 9-5: Slicing with Steps on Vector ndarrays
15:23
95. Lecture 9-6: Negative Strides on Vector ndarrays
09:32
96. Lecture 9-7 [PP] 1D Windowing
15:57
97. Lecture 9-8 [PP] 1D Pooling
09:09
98. Lecture 9-9 [PP] Moving Average Filter
10:22
99. Lecture 9-10 Slicing on Matrix ndarrays (1/2)
06:49
100. Lecture 9-11: Slicing on Matrix ndarrays (2/2)
05:49
101. Lecture 9-12: Slicing Along Each Dimension
09:57
102. Lecture 9-13: Row and Column Extractions
09:31
103. Lecture 9-14: [PP] Gray Image Basics
11:54
104. Lecture 9-15 [PP] Gray Image Cropping
09:57
105. Lecture 9-16 [PP] 2D Windowing
14:33
106. Lecture 9-17 [PP] Image Blurring
15:14
107. Lecture 9-18 [PP] Sobel Filtering Concept
13:55
108. Lecture 9-19 [PP] Sobel Filtering Implementations
17:41
109. Lecture 9-20 Student Score Extractions (1/2)
15:52
110. Lecture 9-21: Student Score Extractions (2/2)
06:22
111. Lecture 9-22: Subject and Test Score Extractions
12:55
112. Lecture 9-23 [PP] Color Image Manipulations (1/2)
16:13
113. Lecture 9-24 [PP] Color Image Manipulations (2/2)
06:14


114. Lecture 10-1: Copy and View
17:05
115. Lecture 10-2: Flattening ndarrays
11:15
116. Lecture 10-3: Reshaping Vectors to Matrices
07:37
117. Lecture 10-4 Flattening with np.reshape
07:04
118. Lecture 10-5: Reshaping Tensors to Tensors
04:36
119. Lecture 10-6 -1 Argument in np.reshape
08:59
120. Lecture 10-7: Resizing ndarrays
10:33


121. Lecture 11-1: Squeezing ndarrays (1/2)
06:26
122. Lecture 11-2: Squeezing ndarrays (2/2)
08:14
123. Lecture 11-3: Expanding Dimensions
08:39
124. Lecture 11-4: Moving Dimensions
08:09
125. Lecture 11-5: Swapping, Transposing Dimensions
05:22


126. Lecture 12-1: random.rand and random.random
12:05
127. Lecture 12-2 random.uniform
09:21
128. Lecture 12-3: random.randint
07:00
129. Lecture 12-4: random.randn and random.normal
09:41
130. Lecture 12-5 random.choice
13:52
131. Lecture 12-6: random.permutation
09:26
132. Lecture 12-7 random.shuffle
12:17
133. Lecture 12-8: The Problem with random.seed
10:47
134. Lecture 12-9: The Random Number Generator
09:36
135. Lecture 12-10: Random Data Generation with RNG
09:10


136. Lecture 13-1 np.sum and np.mean
10:45
137. Lecture 13-2: np.var and np
07:40
138. Lecture 13-3 np.sum with axis Argument (1/2)
07:36
139. Lecture 13-4: np.sum with axis Argument (2/2)
08:12
140. Lecture 13-5: np.sum on Tensors
08:59
141. Lecture 13-6: keepdims Argument
07:56
142. Lecture 13-7: keepdims in Data Preprocessing
11:31
143. Lecture 13-8 Five Number Summary (1/2)
10:34
144. Lecture 13-9 Five Number Summary (2/2)
06:20
145. Lecture 13-10: The Return Values of np.histogram
09:16
146. Lecture 13-11 Histogram Visualization
10:27
147. Lecture 13-12: bins Parameter
08:31
148. Lecture 13-13: Density Parameter
11:01
149. Lecture 13-14: Other Statistics APIs (1/2)
09:29
150. Lecture 13-15: Other Statistics APIs (1/2)
10:31


151. Lecture 14-1 Searching
15:14
152. Lecture 14-2 Argmax and Argmin
09:49
153. Lecture 14-3: Nonzero API
12:21
154. Lecture 14-4: Where API
06:37
155. Lecture 14-5: Counting with np.unique
09:04


156. Lecture 15-1 hstack and vstack
15:57
157. Lecture 15-2: Concatenating ndarrays
09:24
158. Lecture 15-3 [PP] Merging ndarrays
14:37
159. Lecture 15-4 Splitting ndarrays
15:04
160. Lecture 15-5 Partitioning ndarrays
06:15


161. Lecture 16-1: Repeating Elements with np.repeat
14:14
162. Lecture 16-2: Tiling Elements with np.tile
06:53
163. Lecture 16-3: The Concept of Meshgrid
11:31
164. Lecture 16-4 [PP] Meshgrid
10:02


165. Lecture 17-1: Vector Operations
04:26
166. Lecture 17-2: Making Matrices
06:38
167. Lecture 17-3 Making Operations
06:40


168. Lecture 18-1 NumPy Data Types
10:08
169. Lecture 18-2: Meta-data of ndarrays
08:18
170. Lecture.18-3 ndarray Type Castings
07:49


171. Lecture 19-1: Saving and Loading ndarrays
14:32
172. Lecture.19-2 Archiving ndarrays
11:12


173. Lecture 20-1: Introduction to Vectorization
11:00
174. Lecture.20-2 Case1 MAF with For Loop
07:12
175. Lecture 20-3 Case 1 MAF Vectorization
11:52
176. Lecture 20-4 Case 2: Sobel Filtering Review
05:24
177. Lecture 20-5 Case 2: Making Index Arrays
07:52
178. Lecture 20-6 Case 2: Index Array Patterns
08:23
179. Lecture 20-7 Case 2: Sobel Filtering Vectorization
10:54
180. Lecture 20-8: Fully-connected Operations
07:32
181. Lecture 20-9 FCO Scalar Element Case
09:17
182. Lecture 20-10 FCO Scalar Element Case - Vectorization.1
11:44
183. Lecture 20-11 FCO Scalar Element Case - Vectorization Idea
06:54
184. Lecture 20-12: FCO Scalar Element Case - Vectorization.2
11:33
185. Lecture 20-13: FCO Vector Element Case
05:54
186. Lecture 20-14: FCO Vector Element Case with For Loop
05:15
187. Lecture 20-15 FCO Vector Element Case - Vectorization.1
08:35
188. Lecture 20-16 FCO Vector Element Case - Vectorization Idea
09:06
189. Lecture 20-17 FCO Vector Element Case - Vectorization.2
09:17
190. Lecture 20-18: MNIST Classification using Average Images
07:00
191. Lecture.20-19 Making Average Images11:40
192. Lecture.20-20 MNIST Classification using Average Images - Vectorization13:20

Published:

Last updated:

`Reviews`

All

4 reviews

5.0

4 reviews

vjeong71170433Reviews 9 ∙ Average Rating 4.1
5
8% enrolled
Khóa học nền tảng để học PyTorch... tuyệt vời nhất. Bài gi강 của giảng viên Shin Kyung-sik luôn luôn đúng !!!
- asdfghjkl13551941Instructor
  Cảm ơn bạn!! Tôi sẽ cố gắng hết sức để có thể cung cấp những bài giảng với nội dung tốt hơn😃
yuseokReviews 13 ∙ Average Rating 5.0
5
24% enrolled
hellonewworldReviews 4 ∙ Average Rating 4.8
5
30% enrolled

$35.20

`asdfghjkl13551941's other courses`

Check out other courses by the instructor!


Giải phóng nhân loại khỏi toán học (Đại số cơ bản)
asdfghjkl13551941
Đây là bài giảng cô đọng các nội dung toán đã học ở bậc THCS và THPT.
Bạn học những kiến thức và kỹ thuật toán học cần thiết với nhiều bài thực hành cho từng mục.
Nhập môn
algebra
Giải phóng nhân loại khỏi toán học (Đại số cơ bản)
asdfghjkl13551941


Giải phóng nhân loại khỏi toán học (Giải tích Phần I) - Giải tích vi phân
asdfghjkl13551941
Giới hạn của hàm số, đạo hàm, đạo hàm, công thức đạo hàm, cách sử dụng đạo hàm
Nhập môn
Integral Differential
Giải phóng nhân loại khỏi toán học (Giải tích Phần I) - Giải tích vi phân
asdfghjkl13551941


Mạng thần kinh sâu của Shin Kyung-sik - Gradient Descent
asdfghjkl13551941
Đây là khóa học tập trung vào việc học gradient descent - thuật toán học tập cốt lõi nhất của deep learning.
Cơ bản
Deep Learning(DL), gradient-descent, optimization-problem
Mạng thần kinh sâu của Shin Kyung-sik - Gradient Descent
asdfghjkl13551941


Giải phóng nhân loại khỏi toán học (Đại số tuyến tính Phần I) - Hình học Vector
asdfghjkl13551941
Đây là bài giảng đầu tiên về đại số tuyến tính và là bài giảng về hiểu biết hình học về vectơ và các phép toán vectơ.
Nhập môn
Linear Algebra, algebra
Giải phóng nhân loại khỏi toán học (Đại số tuyến tính Phần I) - Hình học Vector
asdfghjkl13551941


Mạng thần kinh sâu của Shin Kyung-sik - Gradients and PyTorch's Autograd
asdfghjkl13551941
Đây là khóa học để học các phương pháp vi phân cơ bản cần thiết để bắt đầu với deep learning và tính năng Autograd của PyTorch.
Cơ bản
Deep Learning(DL), Integral Differential, PyTorch
Mạng thần kinh sâu của Shin Kyung-sik - Gradients and PyTorch's Autograd
asdfghjkl13551941


[PY 0201] Python cấp độ 1 cho trí tuệ nhân tạo
asdfghjkl13551941
Đây là khóa học có nhiều bài luyện tập về ngữ pháp cơ bản của Python.
Đây là khóa học thực hành thực tế được sử dụng trong Machine Learning, Deep Learning, cùng với ngữ pháp Python.
Nhập môn
Python, AI
[PY 0201] Python cấp độ 1 cho trí tuệ nhân tạo
asdfghjkl13551941


[PL 0303] Python cho Trực quan hóa Dữ liệu - Lớp học Master Matplotlib
asdfghjkl13551941
Đây là một bài giảng về trực quan hóa dữ liệu bằng thư viện Matplotlib.
Nhập môn
Matplotlib, Python, AI
[PL 0303] Python cho Trực quan hóa Dữ liệu - Lớp học Master Matplotlib
asdfghjkl13551941


[PL 0301] Môi trường ảo Python và Anaconda
asdfghjkl13551941
Học khái niệm và cách thiết lập môi trường ảo.
Nhập môn
Anaconda
[PL 0301] Môi trường ảo Python và Anaconda
asdfghjkl13551941


[PY 0205] Python Level 4 cho Trí tuệ nhân tạo - Đối tượng và Lớp
asdfghjkl13551941
Đây là bài giảng thứ năm của series [인공지능을 위한 파이썬]. Bài giảng này thực hành các bài tập ứng dụng được dùng trong Machine Learning, Deep Learning, cùng với cú pháp Python.
Cơ bản
Python, AI
[PY 0205] Python Level 4 cho Trí tuệ nhân tạo - Đối tượng và Lớp
asdfghjkl13551941


[PY 0204] Python cấp 3 cho trí tuệ nhân tạo - Hàm
asdfghjkl13551941
Đây là bài giảng thứ tư trong loạt bài [Python cho trí tuệ nhân tạo].
Đây là bài giảng cung cấp các bài tập thực hành được sử dụng trong machine learning và deep learning cùng với ngữ pháp của Python.
Nhập môn
Python, AI
[PY 0204] Python cấp 3 cho trí tuệ nhân tạo - Hàm
asdfghjkl13551941


[PY 0203] Cơ bản về gỡ lỗi
asdfghjkl13551941
Là buổi học thứ ba của series [인공지능을 위한 파이썬].
Bạn sẽ học cách gỡ lỗi mã Python.
Nhập môn
Python, AI, debugging
[PY 0203] Cơ bản về gỡ lỗi
asdfghjkl13551941


[PY 0202] Python Level 2 cho Trí tuệ nhân tạo
asdfghjkl13551941
Đây là khóa học thứ hai của series [Python dành cho Trí tuệ nhân tạo].
Đây là khóa học thực hành các bài tập thực tế được sử dụng trong Machine Learning, Deep Learning, cùng với cú pháp Python.
Nhập môn
Python, AI
[PY 0202] Python Level 2 cho Trí tuệ nhân tạo
asdfghjkl13551941


Hướng dẫn LaTeX viết phương trình
asdfghjkl13551941
Đây là bài giảng về cách sử dụng LaTeX để viết công thức.
Nhập môn
LaTeX
Hướng dẫn LaTeX viết phương trình
asdfghjkl13551941

`Similar courses`

Explore other courses in the same field!


[PL 0303] Python cho Trực quan hóa Dữ liệu - Lớp học Master Matplotlib
asdfghjkl13551941
Đây là một bài giảng về trực quan hóa dữ liệu bằng thư viện Matplotlib.
Nhập môn
Matplotlib, Python, AI
[PL 0303] Python cho Trực quan hóa Dữ liệu - Lớp học Master Matplotlib
asdfghjkl13551941


Khoa học dữ liệu thực tế Phần 1. Giới thiệu về Python
hjkim3
Khóa học này dành cho những người cần kết hợp phân tích dữ liệu, học máy, AI, v.v. vào công việc của mình nhưng chưa quen với lập trình Python. Bạn sẽ học một cách có hệ thống các hàm Python cốt lõi cần thiết để trở thành nhà khoa học dữ liệu trong một khoảng thời gian ngắn.
Nhập môn
Python, Numpy, Pandas
Khoa học dữ liệu thực tế Phần 1. Giới thiệu về Python
hjkim3


[Đổi mới] Bootcamp SQL và Cơ sở dữ liệu (MySQL) cho người mới bắt đầu [Từ nhập môn đến ứng dụng]
funcoding
Khóa học này sẽ giúp bạn nắm vững kiến thức về SQL và cơ sở dữ liệu, cú pháp SQL, thiết kế cơ sở dữ liệu ứng dụng thực tế, sử dụng cơ sở dữ liệu qua lập trình, và các trường hợp ứng dụng phân tích dữ liệu.
Cơ bản
Python, SQL, MySQL
[Đổi mới] Bootcamp SQL và Cơ sở dữ liệu (MySQL) cho người mới bắt đầu [Từ nhập môn đến ứng dụng]
funcoding


Sử dụng API mở với Python
admin0013
Bạn có thể học các kỹ năng và bí quyết cần thiết để nâng cao hiệu quả công việc bằng cách sử dụng API mở và Python.
Nhập môn
Python, REST API, OAuth
Sử dụng API mở với Python
admin0013


Lập trình Python Excel - với xlsxwriter
jejucoding
Đây là khóa học lập trình Python Excel cơ bản được dạy thông qua hướng dẫn xlsxwriter. Bạn có thể phân tích dữ liệu và tự động hóa các tác vụ bằng Python và Excel.
Nhập môn
Python, XlsxWriter
Lập trình Python Excel - với xlsxwriter
jejucoding


Thu thập dữ liệu web bằng Python
admin0013
Đây là khóa học nhằm tiếp thu công nghệ thu thập dữ liệu web dựa trên Python, thu thập dữ liệu từ các trang web và cải thiện kỹ năng thu thập và phân tích dữ liệu tại nơi làm việc dựa trên công nghệ này.
Cơ bản
Python, Web Crawling, Selenium
Thu thập dữ liệu web bằng Python
admin0013


Python Algorithmic Trading Phần 1: Phân tích dữ liệu Python cho giao dịch thuật toán
danielyouk
Bạn có thể học một cách có hệ thống phương pháp tiếp cận thống kê về giao dịch cặp S&P 500 bằng Python. Xây dựng nền tảng cho chiến lược đầu tư không cảm xúc thông qua phân tích dữ liệu chuyên nghiệp.
Cơ bản
Python, oop, Quant
Python Algorithmic Trading Phần 1: Phân tích dữ liệu Python cho giao dịch thuật toán
danielyouk


[Đổi mới] Bootcamp Machine Learning Python đầu tiên (Dễ dàng! Tổng hợp bằng cách giải các bài toán Kaggle thực tế) [Phân tích/Khoa học dữ liệu Phần 2]
funcoding
Dựa trên kinh nghiệm thất bại của giảng viên khi lần đầu tiếp cận Machine Learning, đây là một bài giảng được thiết kế mới, khác với các khóa học hiện có, nhằm giúp học viên dễ dàng hiểu Machine Learning và áp dụng vào các vấn đề thực tế.
Cơ bản
Machine Learning(ML), Kaggle, Pandas
[Đổi mới] Bootcamp Machine Learning Python đầu tiên (Dễ dàng! Tổng hợp bằng cách giải các bài toán Kaggle thực tế) [Phân tích/Khoa học dữ liệu Phần 2]
funcoding


trăn trung cấp
jikim1770
Khóa học Python trung cấp được thiết kế để giúp bạn hiểu sâu hơn về Python bằng cách bao gồm các chủ đề nâng cao như lập trình hàm, siêu lập trình, xử lý ngoại lệ và lập trình hướng đối tượng.
Trung cấp trở lên
Python, Web Scraping, Numpy
trăn trung cấp
jikim1770


Tạo phòng giao dịch Python cho đầu tư định lượng - Phần 3
quanttrader
Trong Phần 3 của Tạo phòng giao dịch Python cho đầu tư định lượng, bạn sẽ tìm hiểu về lý thuyết danh mục đầu tư và các khái niệm cần thiết cho đầu tư thực tế cũng như cách triển khai chúng bằng mã. Phần 1 & Trong Phần 2, bạn chủ yếu tìm hiểu về các phương pháp triển khai mã để phân tích dữ liệu tài chính, nhưng trong Phần 3, bạn tìm hiểu về 'danh mục đầu tư', một phần quan trọng của đầu tư định lượng. Tại sao bạn nên tạo một danh mục đầu tư? Với câu hỏi này, chúng ta tìm hiểu lý thuyết danh mục đầu tư, triển khai nó bằng Python và thực hành mã cần thiết cho đầu tư danh mục đầu tư thực tế.
Tôi hy vọng bài giảng này sẽ hữu ích trong việc đầu tư vào danh mục đầu tư của riêng bạn.
Trung cấp trở lên
Quant, Python, Investment
Tạo phòng giao dịch Python cho đầu tư định lượng - Phần 3
quanttrader


Làm chủ tất tần tật về phát hiện bất thường bằng computer vision, từ phát triển đến triển khai
nexthumans
🚀 Học phát hiện bất thường AI thực tế với Databricks!
💡 Dừng các mô hình đắt đỏ và chậm chạp! Từ tối ưu hóa dữ liệu quy mô lớn đến triển khai thời gian thực, hoàn thành AI phát hiện bất thường có thể được sử dụng ngay trong thực tế kinh doanh.
Trung cấp trở lên
Python, AI, Machine Learning(ML)
Làm chủ tất tần tật về phát hiện bất thường bằng computer vision, từ phát triển đến triển khai
nexthumans


Chiến lược ứng dụng thực tế AI trong lĩnh vực sản xuất (ngành ô tô/phụ tùng)
88888
Ngành sản xuất ô tô và linh kiện là lĩnh vực mà sự đổi mới là điều thiết yếu trong bối cảnh cạnh tranh toàn cầu khốc liệt và chuỗi cung ứng phức tạp. Khóa học này tập trung vào cách áp dụng công nghệ AI vào thực tế, giải thích thông qua các trường hợp thực tế như nâng cao hiệu quả sản xuất, tự động hóa kiểm tra chất lượng, bảo trì dự báo thiết bị, tối ưu hóa chuỗi cung ứng.

Từ hiểu biết cơ bản cần thiết để triển khai AI, đến chiến lược và quản lý rủi ro cần xem xét khi áp dụng thực tế, khóa học được xây dựng theo từng bước để cung cấp kiến thức và hiểu biết sâu sắc mà nhân viên thực thi và quản lý có thể áp dụng ngay lập tức.
Nhập môn
Machine Learning(ML), Deep Learning(DL), IoT
Chiến lược ứng dụng thực tế AI trong lĩnh vực sản xuất (ngành ô tô/phụ tùng)
88888


Học tăng cường tất cả trong một: từ cơ bản, thuật toán mới nhất, đến ứng dụng thực tế
multicoreit
AI tự phán đoán và thích nghi, giờ đây bạn có thể tự mình tạo ra. Thay vì lý thuyết phức tạp, hãy học trọng tâm học tăng cường qua giải thích trực quan và mã code, rồi phát triển thành 'nhà phát triển thực chiến' qua các dự án tài chính, công nghiệp.
Trung cấp trở lên
Python, Artificial Neural Network, Reinforcement Learning(RL)
Học tăng cường tất cả trong một: từ cơ bản, thuật toán mới nhất, đến ứng dụng thực tế
multicoreit


[Nhập môn/Sơ cấp] Triển khai hệ thống gợi ý thông qua các ví dụ đa dạng
goodwon5937125
🧩 Thay vì giải thích dựa trên công thức phức tạp hay lý thuyết, chúng tôi đặt mục tiêu nắm vững các khái niệm cốt lõi của hệ thống đề xuất thông qua việc tự tay triển khai chương trình.

🛠️ Thông qua tổng cộng 12 ví dụ đa dạng và thực tiễn, chúng tôi đã từng bước thiết kế các hệ thống đề xuất có thể ứng dụng trong môi trường thực tế, bao gồm đề xuất dựa trên nội dung, lọc cộng tác và đề xuất học sâu.
Cơ bản
Machine Learning(ML), Deep Learning(DL), PyTorch
[Nhập môn/Sơ cấp] Triển khai hệ thống gợi ý thông qua các ví dụ đa dạng
goodwon5937125


[Hoạt động sau giờ làm] Thực hành chứng chỉ phân tích Big Data (Dạng bài 1,2,3)
roadmap
Hướng dẫn giúp người không chuyên, người mới bắt đầu nhanh chóng đạt được phần thực hành chứng chỉ Kỹ sư phân tích dữ liệu lớn!
Lý thuyết gọn nhẹ, thực hành vững vàng. Không cần kiến thức nền phức tạp, chỉ tập trung học các điểm trọng tâm chắc chắn ra thi, dựa trên đề thi thật.
Nhập môn
Engineer Big Data Analysis, Big Data, Python
[Hoạt động sau giờ làm] Thực hành chứng chỉ phân tích Big Data (Dạng bài 1,2,3)
roadmap


Toán cơ bản và thống kê cho người không chuyên ngành (thực hành)
SW School
Khóa học này là khóa học thực hành các kiến thức cơ bản về toán học và thống kê trong máy học bằng cách sử dụng Python. Học máy và học sâu đòi hỏi khả năng lập trình nhưng cũng cần có nền tảng toán học để hiểu các nguyên tắc. Thông qua khóa học này, bạn có thể học từng bước toán học cơ bản cần thiết cho trí tuệ nhân tạo.
Cơ bản
Linear Algebra, Probability and Statistics, Python
Toán cơ bản và thống kê cho người không chuyên ngành (thực hành)
SW School


[Gia hạn] Bootcamp cơ sở dữ liệu MongoDB(몽고DB) và NoSQL(빅데이터) cho người mới bắt đầu [Từ nhập môn đến ứng dụng] (Cập nhật)
funcoding
Bạn sẽ học kỹ thuật NoSQL để xử lý Big Data, một trong những kỹ thuật cơ bản của Full-stack và Khoa học dữ liệu được sử dụng trong các Startup mới nhất. MongoDB là kỹ thuật dễ nhất và có thể ứng dụng nhanh nhất trong số các công nghệ NoSQL. Trong khóa học này, bạn sẽ nắm vững kiến thức cơ bản về MongoDB trong thời gian ngắn và học cả kỹ thuật xử lý, ứng dụng MongoDB bằng Python.
Cơ bản
Python, MongoDB, DBMS/RDBMS
[Gia hạn] Bootcamp cơ sở dữ liệu MongoDB(몽고DB) và NoSQL(빅데이터) cho người mới bắt đầu [Từ nhập môn đến ứng dụng] (Cập nhật)
funcoding


Lần đầu tiên nhưng như chuyên gia với AI – Chỉ cần có ChatGPT là tôi cũng trở thành nhà phân tích dữ liệu
Masocampus
Thời đại dữ liệu lên tiếng, không còn trực giác.
Cùng ChatGPT, hãy dễ dàng học phân tích dữ liệu!
Cơ bản
ChatGPT, Big Data, AI
Lần đầu tiên nhưng như chuyên gia với AI – Chỉ cần có ChatGPT là tôi cũng trở thành nhà phân tích dữ liệu
Masocampus


Tự động hóa và thu thập dữ liệu web bằng Python để tiếp quản công việc của tôi (feat. Chứng khoán, dữ liệu bất động sản / Instagram)
DeepingSauce
Trong lớp này, bạn sẽ học các kỹ thuật truy xuất (thu thập dữ liệu) và xử lý dữ liệu từ nhiều trang web khác nhau bằng Python và áp dụng chúng trực tiếp vào các ví dụ khác nhau mà bạn có thể gặp trong thực tế. Thông qua đó, bạn sẽ tìm hiểu về các kỹ thuật tập trung vào giải quyết các vấn đề thực tế dựa trên sự hiểu biết về các nguyên tắc cơ bản về cách hoạt động của web, thay vì tự động hóa tác vụ một chiều bằng cách sao chép và dán mã nhất định. để sử dụng nó trên bất kỳ trang web nào trong tương lai Có thể có khả năng thu thập và xử lý dữ liệu. Ngoài ra, bạn sẽ học cách giải quyết các trường hợp ngoại lệ khác nhau xảy ra trong quá trình này bằng mã và cuối cùng, bạn sẽ có thể giải quyết và tự động hóa các vấn đề khác nhau xảy ra trong cuộc sống hàng ngày thông qua tư duy lập trình.
Cơ bản
Python, Web Crawling
Tự động hóa và thu thập dữ liệu web bằng Python để tiếp quản công việc của tôi (feat. Chứng khoán, dữ liệu bất động sản / Instagram)
DeepingSauce


Tự động săn thị trường chứng khoán với bot giao dịch chứng khoán Python
MoneyPouch
Tôi muốn tạo một bot giao dịch thuật toán có thể kiếm tiền vô hạn và chạy nó tự động. Tôi nên bắt đầu từ đâu?
Cơ bản
Python, Pandas, Quant
Tự động săn thị trường chứng khoán với bot giao dịch chứng khoán Python
MoneyPouch

[PL 0302] Python for Data Manipulation - NumPy Masterclass

What you will learn!

NOTICE

NumPy, the core of data operations using Python!

The versatility of NumPy!

A lecture covering the core of NumPy!

196 APIs to learn in class

Chapter.2

`Chapter.3`

`Chapter.4`

`Chapter.6`

`Chapter.10`

`Chapter.11`

`Chapter.12`

`Chapter.13`

`Chapter.14`

`Chapter 15`

`Chapter.16`

`Chapter.17`

`Chapter.18`

`Chapter.19`

`Practical Practices!`

`Outer`

`Recommended for these people`

`Hello This is`

`강의 이력`

`Curriculum`

`Reviews`

`asdfghjkl13551941's other courses`

`Similar courses`

[PL 0302] Python for Data Manipulation - NumPy Masterclass

What you will learn!

NOTICE

NumPy, the core of data operations using Python!

The versatility of NumPy!

A lecture covering the core of NumPy!

196 APIs to learn in class

Chapter.2

Chapter.3

Chapter.4

Chapter.6

Chapter.10

Chapter.11

Chapter.12

Chapter.13

Chapter.14

Chapter 15

Chapter.16

Chapter.17

Chapter.18

Chapter.19

Practical Practices!

Outer

Recommended for these people

HelloThis is .css-1q3zd4q{text-decoration-line:underline;text-underline-position:under;text-underline-offset:1px;}

강의 이력

Curriculum

Reviews

asdfghjkl13551941's other courses

Similar courses

`Chapter.3`

`Chapter.4`

`Chapter.6`

`Chapter.10`

`Chapter.11`

`Chapter.12`

`Chapter.13`

`Chapter.14`

`Chapter 15`

`Chapter.16`

`Chapter.17`

`Chapter.18`

`Chapter.19`

`Practical Practices!`

`Outer`

`Recommended for these people`

`Hello This is`

`강의 이력`

`Curriculum`

`Reviews`

`asdfghjkl13551941's other courses`

`Similar courses`