Logo
Zostań autorem

Koszyk jest pusty

0

Kategorie

  • Chcesz się dzielić wiedzą?

Zaloguj się

Nie pamiętasz hasła? Kliknij tutaj

Uczenie Maszynowe - Drzewa Decyzyjne i Lasy Losowe - Python

Poznaj od podstaw algorytmy uczenia maszynowego w języku Python! Twórz własne modele w bibliotece scikit-learn! - 2020

Autor: Paweł Krakowiak

Aktualizacja: 07/10/2020

00:00
00:00
x

Darmowe lekcje

down
Trailer
Czym jest uczenie maszynowe?
11:27
Rodzaje uczenia maszynowego i główne problemy
07:50
Trailer
Czym jest uczenie maszynowe?
Rodzaje uczenia maszynowego i główne problemy
49.00 zł
calendargwarancja zwrotu pieniędzy
updateregularne aktualizacje
helpwsparcie autora
questionZadaj pytanie autorowi

Czego się nauczysz?

  • Czym jest uczenie maszynowe
  • Rodzaje uczenia maszynowego i główne problemy
  • Modele klasyfikacji i regresji
  • Jak działają algorytmy drzew decyzyjnych
  • Elementy składowe drzew decyzyjnych
  • Implementacja drzewa decyzyjnego w języku Python
  • Budowa modeli drzew decyzyjnych i lasów losowych przy użyciu biblioteki scikit-learn
  • Problemy uczenia maszynowego: niedouczenie, przeuczenie

Wymagania

podstawowa znajomość języka Python (najlepiej ukończony kurs Programowanie w języku Python)

ukończony kurs 200+ Ćwiczeń - Programowanie w języku Python (opcjonalnie)

ukończony kurs 210+ Ćwiczeń - Python - Moduły wbudowane (opcjonalnie)

ukończony kurs Wprowadzenie do data science w języku Python - Pandas

Opis kursu

Stephen Hawking powiedział kiedyś: "whatever you want to uncover the secrets of the universe, or you just want to pursue a career in the 21st century, basic computer programming is an essential skill to learn". Te słowa jakże znamiennie wybrzmiewają w dzisiejszych czasach. Nie ulega wątpliwości, że przyszłość zależeć będzie w dużej mierze od postępu technologicznego i ludzi, którzy będą w stanie ten postęp kreować. Jak pokazują dane, utrzymujące się ogromne zapotrzebowanie na specjalistów w sektorze technologii powoduje, że zarobki w branży także są bardzo satysfakcjonujące.

Sztuczna Inteligencja (Artificial Intelligence) rośnie w tempie wykładniczym. Od prostych modeli klasyfikujących pocztę mailową, wybierającą najbardziej optymalną trasę dojazdu, rozpoznającą nas w czasie rzeczywistym (wideoweryfikacja) po auta a nawet samoloty autonomiczne. A przed nami przecież tyle nieodkrytych obszarów w których można zastosować AI.


Wzrost popularności języka Python

Język Python świetnie nadaje się do przetwarzania, przygotowania, analizy i modelowania danych. Jest prosty do nauki i nie powinien sprawiać problemów osobie, która dopiero zaczyna uczyć się programowania. Na przestrzeni ostatnich lat i rosnącej popularności sztucznej inteligencji Python wyrósł na gwiazdę w tym sektorze. Powstało sporo potężnych bibliotek do machine learningu, czy deep learningu. Przykładem może być stworzona przez Google biblioteka Tensorflow.


Wszechstronność Zastosowań

Języka Python możemy używać na bardzo wielu poziomach. Czy to u siebie w domu, w biurze, czy uruchamiając skrypty w chmurze. W połączeniu z mnogością zastosowań i doskonałym zestawem narzędzi takich jak Spyder, Jupyter Notebook, Zeppelin, IPython i innymi bibliotekami środowisko do analizy danych w Pythonie wyróżnia się wydajnością, produktywnością i doskonałą elastycznością.


Do czego służy biblioteka scikit-learn?

Biblioteka scikit-learn jest bogatą biblioteką typu open source dostępną w języku Python przeznaczoną do uczenia maszynowego. Moduł scikit-learn zawiera wiele algorytmów z dziedziny uczenia nadzorowanego i nienadzorowanego. Biblioteka udostępniana jest na licencji BSD, co pozwala na użytkowanie zarówno komercyjne jak i akademickie.

Zawiera wiele różnych narzędzi wykorzystywanych w uczeniu maszynowym, m. in:

  • przykładowe zbiory danych
  • modele uczenia nadzorowanego
  • modele uczenia nienadzorowanego
  • redukcja wymiarowości
  • metody zespołowe
  • walidacja krzyżowa
  • optymalizacja parametrów modelu
  • selekcja cech

Spis treści

  • Czas trwania: 05:41:56
  • Slajdy: 2
Wstęp do Uczenia Maszynowego
4 wykładydown
Drzewa Decyzyjne - Wstęp
4 wykładydown
Drzewa Decyzyjne - rzut oka na pierwszy model drzewa
7 wykładydown
Drzewa Decyzyjne - elementy składowe
3 wykładydown
Klasyfikacja - implementacja drzewa decyzyjnego
6 wykładydown
Niedouczenie i przeuczenie modelu
3 wykładydown
Klasyfikacja - Case studies
3 wykładydown
Drzewa Decyzyjne - Regresja
1 wykładydown
Lasy Losowe - Uczenie Zespołowe
3 wykładydown

O autorze

avatar
Paweł KrakowiakData Scientist / Securities Broker
Kursy: 19
O mnie
Data Scientist, Securities Broker Miłośnik nowych technologii, szczególnie w obszarze sztucznej inteligencji, big data oraz rozwiązań chmurowych. Absolwent podyplomowych studiów ...Czytaj więcej
Zobacz profil autora
49.00 zł