Wymagania
check_circle_outline podstawowa znajomość języka Python (najlepiej ukończony kurs Programowanie w języku Python)
check_circle_outline ukończony kurs 200+ Ćwiczeń - Programowanie w języku Python (opcjonalnie)
check_circle_outline ukończony kurs 210+ Ćwiczeń - Python - Moduły wbudowane (opcjonalnie)
check_circle_outline ukończony kurs Wprowadzenie do data science w języku Python - Pandas
---------------------------------------------------------
REKOMENDOWANE ŚCIEŻKI UCZENIA
---------------------------------------------------------
PYTHON DEVELOPER:
- Programowanie w języku Python - od A do Z
- 200+ Ćwiczeń - Programowanie w języku Python - od A do Z
- 210+ Ćwiczeń - Python - Moduły wbudowane - od A do Z
- Programowanie obiektowe w języku Python - OOP
- 150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
DATA SCIENTIST / MACHINE LEARNING ENGINEER:
- Programowanie w języku Python - od A do Z
- 200+ Ćwiczeń - Programowanie w języku Python - od A do Z
- 210+ Ćwiczeń - Python - Moduły wbudowane - od A do Z
- Programowanie obiektowe w języku Python - OOP
- 150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
- Wprowadzenie do data science w języku Python - Pandas
- Interaktywne wizualizacje danych w języku Python - Plotly
- Data Science Bootcamp w języku Python - od A do Z
- 250+ Ćwiczeń - Data Science Bootcamp w języku Python
- Machine Learning Bootcamp w języku Python cz.I - od A do Z
- Machine Learning Bootcamp w języku Python cz.II - od A do Z
- Machine Learning Bootcamp w języku Python cz.III - Ćwiczenia
DATA SCIENTIST / DEEP LEARNING ENGINEER
- Programowanie w języku Python - od A do Z
- 200+ Ćwiczeń - Programowanie w języku Python - od A do Z
- 210+ Ćwiczeń - Python - Moduły wbudowane - od A do Z
- Programowanie obiektowe w języku Python - OOP
- 150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
- Wprowadzenie do data science w języku Python - Pandas
- Interaktywne wizualizacje danych w języku Python - Plotly
- Data Science Bootcamp w języku Python - od A do Z
- 250+ Ćwiczeń - Data Science Bootcamp w języku Python
- Machine Learning Bootcamp w języku Python cz.I - od A do Z
- Machine Learning Bootcamp w języku Python cz.II - od A do Z
- Machine Learning Bootcamp w języku Python cz.III - Ćwiczenia
- Wprowadzenie do sieci neuronowych - Tensorflow 2.0 + Keras
- Deep Learning w języku Python - Konwolucyjne Sieci Neuronowe
- Artificial Intelligence – Computer Vision w języku Python
BI ANALYST / DATA ANALYST:
- Programowanie w języku Python - od A do Z
- 200+ Ćwiczeń - Programowanie w języku Python - od A do Z
- 210+ Ćwiczeń - Python - Moduły wbudowane - od A do Z
- Programowanie obiektowe w języku Python - OOP
- 150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
- Wprowadzenie do data science w języku Python - Pandas
- Interaktywne wizualizacje danych w języku Python - Plotly
- Twórz nowoczesne aplikacje webowe w Pythonie - Dash, Plotly
- Data Science Bootcamp w języku Python - od A do Z
- 250+ Ćwiczeń - Data Science Bootcamp w języku Python
BIG DATA ANALYST:
- Programowanie w języku Python - od A do Z
- 200+ Ćwiczeń - Programowanie w języku Python - od A do Z
- 210+ Ćwiczeń - Python - Moduły wbudowane - od A do Z
- Programowanie obiektowe w języku Python - OOP
- 150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
- Wprowadzenie do data science w języku Python - Pandas
- Interaktywne wizualizacje danych w języku Python - Plotly
- Big Data, Hadoop oraz MapReduce w języku Python
- Big Data: Analiza danych przy użyciu SQL oraz BigQuery
---------------------------------------------------------
OPIS KURSU
---------------------------------------------------------
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