[Bản sửa đổi] Hướng dẫn hoàn hảo về máy học Python
Chúng tôi sẽ thoát khỏi các khóa học về máy học tập thiên về lý thuyết và cung cấp kiến thức dễ hiểu về các khái niệm cốt lõi của máy học, đồng thời trang bị cho bạn khả năng triển khai các ứng dụng máy học thực tế.
Nắm vững các gói cơ bản cấu thành máy học Python bao gồm NumPy, Pandas và Scikit-learn
Triển khai các khái niệm cốt lõi của máy học trực tiếp trong mã Python
Giải thích sâu sắc về các thuật toán học máy cốt lõi như phân loại, hồi quy, giảm chiều và phân cụm.
Tìm hiểu nhiều ví dụ thực tế để đạt đến trình độ có thể áp dụng trực tiếp các ứng dụng học máy vào thực tế.
데이터 tiền xử lý, áp dụng thuật toán học máy, điều chỉnh siêu tham số, đánh giá hiệu suất, v.v. để cấu thành mô hình học máy tối ưu
XGBoost, LightGBM, Stacking và các kỹ thuật máy học mới nhất được giải thích chi tiết và hướng dẫn cách sử dụng. Học cách phát triển ứng dụng máy học thực tế bằng cách tự mình thực hành các vấn đề Kaggle khó.
Tìm hiểu cách phát triển các ứng dụng máy học thực tế bằng cách giải quyết các vấn đề khó của Kaggle (ví dụ: dự đoán mức độ hài lòng của khách hàng tại Ngân hàng Santander, phát hiện gian lận thẻ tín dụng, các kỹ thuật hồi quy nâng cao để dự đoán giá bất động sản, dự đoán giá tại trung tâm mua sắm Mercari, v.v.)
Tìm hiểu các lý thuyết cơ bản và nhiều ví dụ thực tế về phân tích văn bản và NLP (phân loại văn bản, phân tích tình cảm, mô hình hóa chủ đề, phân nhóm tài liệu, độ tương đồng của tài liệu, phân tích tình cảm của phim Naver bằng KoNLPy, v.v.)
Bạn có thể xây dựng nhiều hệ thống đề xuất khác nhau trực tiếp bằng mã Python và chúng tôi sẽ hướng dẫn cách sử dụng gói đề xuất Surprise của Python.
Nó rất phổ biến vì có lời giải thích chi tiết và ví dụ phong phú. 'Hướng dẫn đầy đủ về Python Machine Learning' Hiện có sẵn dưới dạng bài giảng video trên Inflearn.
Gặp gỡ phiên bản sửa đổi mới nhất Hướng dẫn đầy đủ về Python Machine Learning
Xin chào, tôi là Kwon Chul-min, tác giả của The Complete Guide to Python Machine Learning.
Vào tháng 4 năm 2022, phiên bản sửa đổi thứ hai của cuốn sách The Complete Guide to Python Machine Learning đã được xuất bản.
Khi cuốn sách được hiệu đính, bài giảng này, 'Hướng dẫn đầy đủ về Python Machine Learning', cũng đã được biên soạn và phát hành.
Các bài giảng được sửa đổi được phát hành lần này đã làm mới hơn 70-80% các bài giảng hiện có (Phần 1 đến 5 (Hồi quy) là phần mới hơn 90%). Thời lượng video bài giảng đã được tăng từ 28 giờ lên 37 giờ và chúng tôi sẽ giải thích nội dung được cải thiện và bổ sung.
Chúng tôi đã nỗ lực rất nhiều vào việc biên soạn lại các bài giảng để phản ánh nội dung đã sửa đổi của cuốn sách đồng thời cải thiện chúng so với các bài giảng trong phiên bản đầu tiên.Dựa trên phản hồi bạn đã gửi về bài giảng, chúng tôi đã bổ sung thêm những lời giải thích dễ hiểu và chi tiết hơn.
Giới thiệu về khóa học
Khóa học Python Machine Learning Complete Guide sắp xếp các lý thuyết cốt lõi với các giải thích chi tiết và sơ đồ dễ hiểu, cho phép bạn tiếp thu kiến thức về máy học bằng cách giải quyết nhiều vấn đề thực tế khác nhau bằng máy học. Thay vì bài giảng về máy học tập trung vào lý thuyết, chúng tôi cung cấp hướng dẫn áp dụng máy học vào các tác vụ thực tế bằng cách sử dụng thư viện Python.
Hiểu được điều này, chúng tôi sẽ trực tiếp trình bày toàn bộ quá trình cấu hình mô hình học máy, từ xử lý dữ liệu trước đến áp dụng thuật toán học máy và điều chỉnh siêu tham số, dựa trên dữ liệu thực hành khó từ Kaggle và Kho lưu trữ học máy UCI, không chỉ là dữ liệu được tinh chỉnh kỹ lưỡng. nội dung được sắp xếp sao cho bạn có thể tối đa hóa khả năng học máy của mình trong khi thực hành.
Chúng tôi cũng cung cấp lời giải thích rất chi tiết về các thuật toán và kỹ thuật mới nhất được sử dụng trong nhiều lĩnh vực khoa học dữ liệu trên Kaggle , chẳng hạn như XGBoost, LightGBM và các kỹ thuật xếp chồng .
Ngoài nội dung hiện có, phiên bản sửa đổi bao gồm những nội dung bổ sung sau:
Triển khai mã thực tế nâng cấp tất cả các thư viện được sử dụng trong bài giảng lên phiên bản mới nhất, bao gồm phiên bản scikit-learn mới nhất (1.0.2).
Đã thêm khóa học thực hành Tối ưu hóa Bayesian để điều chỉnh siêu tham số tối ưu cho các mô hình XGBoost hoặc LightGBM với nhiều loại siêu tham số khác nhau
Đã thêm phiên 'Trực quan hóa' trình bày chi tiết về cách sử dụng matplotlib và seaborn, các thư viện trực quan hóa được sử dụng rộng rãi để phân tích dữ liệu liên quan đến học máy.
🤖 Chúng tôi sẽ hướng dẫn bạn đến trình độ chuyên gia để bạn có thể tự tin áp dụng các ứng dụng học máy vào thực tế.
Việc triển khai mã hóa học máy không phải là việc bạn có thể hiểu đơn giản bằng đầu hoặc mắt. Bạn không bao giờ có thể trở thành chuyên gia về máy học nếu bạn không tự mình triển khai nó. Các khái niệm cốt lõi được định nghĩa rõ ràng cùng các ứng dụng phong phú và ví dụ thực hành sẽ hướng dẫn bạn đến trình độ chuyên gia, nơi bạn có thể tự tin áp dụng các ứng dụng học máy vào thực tế.
Trong bài giảng này, chúng tôi đã tăng cường giải thích chi tiết về nhiều phần khó giải thích trong sách do hạn chế về không gian, và đặc biệt là 👨🏻💻 Chúng tôi đã nỗ lực rất nhiều để làm cho nó dễ hiểu nhất có thể bằng cách giải quyết các mã ví dụ được sắp xếp theo từng dòng, từng bước. đã bị nghiêng.
Đây không phải là khóa học giới thiệu dành cho những người hoàn toàn không có kiến thức về máy học, nhưng nếu bạn học các khái niệm cơ bản về máy học thông qua sách giới thiệu hoặc các bài giảng video khác rồi tham gia khóa học này, bạn sẽ có thể nâng cấp kiến thức về máy học của mình. kỹ năng rất nhanh chóng. Nếu bạn đến một hiệu sách lớn gần nhà và xem qua cuốn sách The Complete Guide to Python Machine Learning, bạn sẽ có thể dễ dàng xác định liệu khóa học này có phù hợp với mình hay không.
Những người gặp được Inflearn Đọc bài phỏng vấn với Kwon Chul-min | Đi xem
-
🧗🏻♂️
Biết đường và đi trên đường là hai chuyện khác nhau. Khóa học này sẽ là hướng dẫn tuyệt vời giúp bạn đạt đến trình độ có thể áp dụng máy học vào thực tế .
Khuyến nghị cho những người này
Khóa học này dành cho ai?
Bất kỳ ai quan tâm đến máy học
Những người không thể vượt qua bức tường thuật toán học máy khó khăn
Những người chỉ quen thuộc một cách hời hợt với máy học dựa trên lý thuyết
Bất kỳ ai đang suy nghĩ về cách áp dụng máy học vào thực tế
Bất kỳ ai muốn thử nghiệm các cuộc thi phân tích dữ liệu/học máy như Kaggle
Tôi là sinh viên đang theo học chương trình thạc sĩ ở nước ngoài thuộc khoa liên quan đến học máy. Mình học lý thuyết và làm vài dự án nhưng học nhanh quá nên lộn xộn, code lộn xộn và các danh mục trong đầu cũng lộn xộn, nhưng sau khi nghe bài giảng này, mình hiểu được nhiều hơn thế. được tổ chức và mã của tôi đang được tích lũy. Tất nhiên, nếu bạn thực sự muốn học phần lý thuyết, bạn nên tìm một khóa học khác và tham gia khóa học đó, nhưng nếu bạn muốn học thông qua mã thực tế, tôi thực sự khuyên bạn nên tham gia khóa học đó. Đó thực sự là một thời gian vui vẻ mỗi ngày. Tôi rất vui khi tham gia lớp học khi thực hiện các phần được sắp xếp theo công thức trong đầu.
Tóm lại,
1. Đây không phải là khóa học dành cho người mới bắt đầu, nhưng nó được khuyến khích cho những người có chút hiểu biết về machine learning nhưng không có tổ chức.
2. Không cần các công thức phức tạp và tôi thực sự khuyên bạn nên sử dụng nó nếu bạn muốn học viết mã.
3. Tôi giới thiệu điều này cho những người biết các công thức và lý thuyết qua các lớp học hoặc nghiên cứu ở trường, nhưng đang gặp khó khăn khi không biết cách áp dụng chúng vào thực tế.
Những người không khuyến khích
1. Tôi muốn xem một bằng chứng toán học chính xác. Không được khuyến khích. Tôi khuyên bạn nên học máy của Murphy hoặc sách của Bishop.
2. Tôi thực sự không biết gì cả, nhưng tôi muốn bắt đầu với điều này. Có vẻ hơi khó khăn.
Hiện tại tôi đã giảng tới Chương 7, Phân cụm. Tôi mất khoảng 3 tuần để học trong thời gian rảnh rỗi sau giờ làm việc. Tôi đã mua tất cả các bài giảng và sách giáo khoa.
Trước hết, thật tuyệt khi có thể xem xét việc học máy một cách có hệ thống. Lời giải thích cũng rõ ràng. Khi tôi đọc cuốn sách, tôi thực sự có thể cảm nhận được sự quan tâm của người viết nó.
Hơn hết, tôi thích nhất là khi tôi đặt câu hỏi, tác giả đều trả lời rất chi tiết và tử tế.
Tuy nhiên, nó không phù hợp với những người chưa có kiến thức về machine learning. Bất kỳ ai biết học máy cơ bản đều nên tham gia khóa học này.
Tôi rất mong chờ những khóa học nâng cao khác từ tác giả, chẳng hạn như khóa học Kaggle Advanced!
Cảm ơn
Tôi bắt đầu xem nó vào cuối tuần và lời giải thích thực sự chi tiết. Tôi nghĩ đây là khóa học cần thiết cho những người muốn sử dụng nó trong lĩnh vực này ngay cả khi họ không biết nhiều về thống kê... Từ góc nhìn của người mới bắt đầu...
Hướng dẫn đầy đủ về học máy Python được xuất bản dưới dạng bài giảng video và tôi đã mua nó ngay lập tức. Tôi nghĩ đây là cuốn sách về máy học hay nhất được viết bởi một tác giả trong nước. Cuốn sách cũng giúp ích cho tôi rất nhiều vì có phần giải thích chi tiết, nhưng các video bài giảng thậm chí còn chi tiết hơn, không chỉ có phần giải thích mà còn cả phần giải thích về code. Cảm ơn bạn vì bài giảng tuyệt vời. Nếu bạn quay một bài giảng khác, tôi cũng muốn nghe nó! (Cá nhân tôi muốn nghe thêm về sql.)
Nó mạnh nhất trong vũ trụ. Nó rất hữu ích với những giải thích chi tiết và nhiều mã thực hành.
Nếu biết sớm hơn thì tôi đã không phải tốn thời gian và tiền bạc vào những buổi giảng offline.