Lý thuyết và thực hành là khác nhau. Chúng tôi sẽ hiểu các khái niệm cơ bản về học máy và giới thiệu các khái niệm và lý thuyết cốt lõi của các mô hình khác nhau mà bạn phải biết. Và trong khi xử lý nhiều loại dữ liệu, chúng tôi chia sẻ nhiều kỹ thuật và bí quyết hữu ích trong thực tế.
Các khái niệm cơ bản về học máy và trí tuệ nhân tạo
phân tích hồi quy tuyến tính
Các khái niệm chính về mô hình học máy bạn cần biết
Kỹ thuật giải quyết vấn đề mất cân bằng lớp học
Các khái niệm và lý thuyết về phân tích cụm
Cách phân tích dữ liệu đúng cách
Bước đầu tiên dành cho các nhà khoa học dữ liệu mới bắt đầu!
Nhà khoa học dữ liệu Một bộ sưu tập toàn diện các kiến thức quan trọng để trở thành 👨💻
Bạn muốn tìm hiểu các khái niệm cốt lõi cơ bản về học máy và trí tuệ nhân tạo? Khóa học này giới thiệu các khái niệm và lý thuyết cốt lõi cần thiết để trở thành một nhà khoa học dữ liệu, cũng như các kỹ thuật thực hành khác nhau .
Lý thuyết và thực hành là hai chuyện khác nhau. Những gì bạn học được trên lý thuyết thường không áp dụng tốt vào tình huống thực tế.
Do đó, khóa học này tập trung vào các khái niệm cốt lõi thay vì các giải thích toán học, giúp người mới bắt đầu dễ hiểu hơn. Hơn nữa, chúng tôi chia sẻ các thách thức thực tế về xử lý dữ liệu, cùng với nhiều phương pháp và bí quyết khác nhau để giải quyết chúng.
Ai sẽ được hưởng lợi từ việc lắng nghe ? 🔍
Mô hình học máy Các khái niệm và lý thuyết cốt lõi Bất cứ ai muốn biết
Là một nhà khoa học dữ liệu Phát triển nhanh Bất cứ ai muốn
Những gì cần thiết trong thực tế Kỹ thuật và bí quyết học máy Những người muốn học
Khóa học được thiết kế sao cho sau khi hoàn thành , bạn sẽ có thể phân tích dữ liệu một cách chính xác với tư cách là một nhà khoa học dữ liệu . Hơn nữa, bạn sẽ có thể thiết kế các thí nghiệm phù hợp với miền dữ liệu của mình, lựa chọn biến và mô hình để nâng cao hiệu suất mô hình.
Xem phần Hỏi & Đáp dự kiến liên quan đến bài giảng 🙋♀️
H. Tôi có cần nhiều kiến thức toán học để tham gia khóa học này không?
Yêu cầu có bằng thống kê ở trình độ đại học, nhưng không yêu cầu kiến thức trước.
H. Tôi có cần biết cách sử dụng R không?
Có, khóa học được tiến hành dựa trên giả định rằng bạn có một số kiến thức về R hoặc Python. Dưới đây Tôi khuyên bạn nên tham gia lớp học này.
Từ kinh nghiệm Kiến thức cốt lõi quá trình lây truyền
sống động Học hỏi Mã hóa trực tiếp
nhiều Với dữ liệu Cảm giác thực tế Lên
1️⃣ Truyền đạt kiến thức cốt lõi từ kinh nghiệm!
Khóa đào tạo của chúng tôi không chỉ đơn thuần là giảng dạy các lý thuyết học máy và áp dụng chúng vào dữ liệu. Dựa trên kinh nghiệm từ bảy cuộc thi dữ liệu lớn (7 thí sinh lọt vào vòng chung kết, 5 người chiến thắng) và nhiều dự án khác nhau, chúng tôi nỗ lực cung cấp cho bạn kiến thức chuyên môn tốt nhất để phân tích dữ liệu hiệu quả.
2️⃣ Học tập trực tiếp tập trung vào lập trình cho phép bạn học một cách sinh động.
Để minh họa quy trình phân tích dữ liệu của tôi, hầu hết các bài tập đều được thực hiện thông qua mã hóa trực tiếp. Tôi trình bày chi tiết cách tìm kiếm và áp dụng các khái niệm khi gặp vấn đề trong quá trình mã hóa. Tôi cũng chia sẻ các vấn đề gặp phải khi xử lý dữ liệu và các phương pháp tôi sử dụng để giải quyết chúng.
3️⃣ Nâng cao khả năng thực hành của bạn với nhiều dữ liệu khác nhau!
Chúng tôi sẽ đề cập đến nhiều loại dữ liệu. Bao gồm dữ liệu dự đoán giá nhà của Boston House, một ví dụ được sử dụng rộng rãi, dữ liệu mô phỏng với đa cộng tuyến mạnh, dự đoán đánh giá phim tích cực/tiêu cực (bằng tiếng Hàn), dữ liệu dự đoán giá thuê biệt thự tại Seoul và dữ liệu Kaggle Otto, cho phép bạn tích lũy kinh nghiệm thực tế.
Nội dung chính của bài giảng Hãy xem thử nhé 📚
🌈Các khái niệm cơ bản về học máy và học sâu
Chúng ta sẽ tìm hiểu học máy là gì và những gì nó có thể làm. Chúng tôi cũng sẽ giải thích sự khác biệt giữa học máy và học sâu, đồng thời giới thiệu ngắn gọn các mô hình học máy và học sâu khác nhau. Chúng tôi cũng sẽ thảo luận về hiện tượng quá khớp (overfitting), một vấn đề phổ biến trong cả học máy và học sâu.
🌈 Mô hình hồi quy tuyến tính (theo góc nhìn thống kê)
Khi học máy, mô hình đầu tiên bạn học luôn là mô hình hồi quy tuyến tính. Mặc dù là một mô hình đơn giản và dễ sử dụng, nhưng nó thường ít được sử dụng do hiệu suất kém. Tuy nhiên, các mô hình hồi quy tuyến tính được sử dụng rộng rãi trong công nghiệp và là một công cụ mạnh mẽ cho các bài toán hồi quy tuyến tính. Chúng ta sẽ tập trung vào các lý thuyết và khái niệm cơ bản nhất.
🌈 Các mô hình học máy thiết yếu bạn cần biết (Cây quyết định, kNN, Học tập tổng hợp, Phân cụm, Giá trị hình dạng)
Khóa học này bao gồm các mô hình học máy thiết yếu. Thay vì tập trung vào các chi tiết toán học, bài giảng tập trung vào các khái niệm để dễ hiểu. Các mô hình ít được sử dụng hơn như cây quyết định và kNN, tuy không phổ biến như các mô hình độc lập, nhưng lại được sử dụng rộng rãi trong các lĩnh vực và mô hình khác. Do đó, chúng ta không bao giờ nên bỏ qua chúng. Bạn sẽ tìm hiểu các khái niệm và ứng dụng của nhiều mô hình khác nhau, và chúng tôi cũng sẽ giới thiệu ShapValue, một mô hình đang được chú ý như một ví dụ về eXplainable AI.
🌈Vấn đề mất cân bằng lớp học và giải pháp
Vấn đề mất cân bằng lớp xảy ra thường xuyên hơn bạn nghĩ trong nhiều lĩnh vực, gây ra nhiều vấn đề khác nhau. Một ví dụ điển hình là sự suy giảm hiệu suất dự đoán do mô hình học tập thiên về nhiều lớp. Bài viết này giới thiệu các kỹ thuật khác nhau (phương pháp lấy mẫu lại) để giải quyết vấn đề này.
🌈Cách thiết kế thí nghiệm với tư cách là nhà khoa học dữ liệu
Phân tích dữ liệu không chỉ đơn thuần là đọc dữ liệu và điều chỉnh mô hình. Nó bao gồm việc tiền xử lý dữ liệu cơ bản, tạo ra các biến số chính để dự đoán giá trị Y, và triển khai thiết kế thử nghiệm phù hợp. Chúng tôi sẽ hướng dẫn bạn cách thiết kế thử nghiệm cho nhiều tình huống khác nhau và cung cấp kiến thức thiết yếu cần thiết cho một nhà khoa học dữ liệu.
Một lá thư từ Coco 💌
"Có một khoảng cách đáng kể giữa lý thuyết và thực hành học máy. Thế giới chứa đầy những lĩnh vực và dữ liệu đa dạng, và việc phân tích dữ liệu đòi hỏi nhiều hơn là chỉ đào tạo một mô hình. Thiết kế thử nghiệm phù hợp với lĩnh vực, việc tạo ra các biến đạo hàm để nâng cao hiệu suất mô hình, và lựa chọn mô hình dựa trên mục tiêu phân tích là rất quan trọng.
Khóa học này giải thích các khái niệm và nguyên tắc cốt lõi của khoa học dữ liệu và trí tuệ nhân tạo một cách đơn giản, dễ hiểu, đồng thời cung cấp các mẹo và kiến thức thực tế. Tôi hy vọng khóa học này sẽ giúp bạn nâng cao kỹ năng và hiểu rõ hơn về phân tích dữ liệu.
Khuyến nghị cho những người này
Khóa học này dành cho ai?
Bất kỳ ai muốn biết các khái niệm và lý thuyết cốt lõi của mô hình học máy
Bất kỳ ai muốn phát triển nhanh chóng với tư cách là nhà khoa học dữ liệu