Course Outline
Εισαγωγή
- Δημιουργία αποτελεσματικών αλγορίθμων στην αναγνώριση προτύπων, ταξινόμηση και παλινδρόμηση.
Δημιουργία Αναπτυξιακού Περιβάλλοντος
- Python βιβλιοθήκες Online vs offline συντάκτες
Επισκόπηση της Μηχανικής Χαρακτηριστικών
- Μεταβλητές εισόδου και εξόδου (χαρακτηριστικά) Πλεονεκτήματα και μειονεκτήματα της μηχανικής χαρακτηριστικών
Τύποι προβλημάτων που αντιμετωπίζονται στα ακατέργαστα δεδομένα
- Ακάθαρτα δεδομένα, δεδομένα που λείπουν κ.λπ.
Μεταβλητές Προεπεξεργασίας
- Αντιμετώπιση δεδομένων που λείπουν
Χειρισμός τιμών που λείπουν στα δεδομένα
Εργασία με Κατηγορικές Μεταβλητές
Μετατροπή ετικετών σε αριθμούς
Χειρισμός ετικετών σε κατηγορικές μεταβλητές
Μετασχηματισμός μεταβλητών για βελτίωση της προγνωστικής ισχύος
- Αριθμητικό, κατηγορηματικό, ημερομηνία κ.λπ.
Καθαρισμός συνόλου δεδομένων
Machine Learning Μοντελοποίηση
Χειρισμός ακραίων τιμών στα δεδομένα
- Αριθμητικές μεταβλητές, κατηγορικές μεταβλητές κ.λπ.
Περίληψη και Συμπέρασμα
Requirements
- Python εμπειρία προγραμματισμού.
- Εμπειρία με Numpy, Panda και scikit-learn.
- Εξοικείωση με τους αλγόριθμους Machine Learning.
Ακροατήριο
- προγραμματιστές
- Επιστήμονες δεδομένων
- Αναλυτές δεδομένων
Testimonials (2)
Φανταστική προπόνηση, από τις καλύτερες που έχω παρακολουθήσει ποτέ! Ο συντονιστής, Rafal, έδωσε εξαιρετικές απαντήσεις στα θέματα που τέθηκαν και εξήγησε όλες τις μεθόδους πολύ διεξοδικά. JestΕίμαι πολύ ικανοποιημένος και ευχαρίστως θα εκμεταλλευτώ ξανά την εκπαίδευση που διεξήγαγε αυτός ο εκπαιδευτής.
Darek Paszkowski - Orange Szkolenia Sp. z o.o.
Machine Translated
Σχέδια σε flipchart, όλη η εκπαίδευση.
Kasia Nawrot - Orange Szkolenia Sp. z o.o.
Machine Translated