Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja from Udemy

Ten kurs wchodzi w skład serii kursów o Pythonie. Wybierz właściwy, zależnie od stopnia znajomości Pythona i zainteresowań:

Python dla początkujących
Myślenie algorytmiczne - algorytmy i strukutury danych, które trzeba znać
Myślenie algorytmiczne - grafy w Pythonie
Data Science - Analiza danych w Python Pandas
Python dla średniozaawansowanych
Python Flask - aplikacje webowe
Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja

Jeśli zastanawiasz się czy kupić akcje, czy zainwestować w złoto, to Ci nie pomogę. Nie wiem, co lepiej zrobić. Ale jeśli zapytasz, czy warto uczyć się o Machine Learning i sztucznej inteligencji, to nie mam wątpliwości co powiedzieć. WARTO. Machine Learning już się dzieje i będzie się dziać dalej. A Ty masz wybór – albo patrzysz na to z boku, albo zostajesz liderem w tej dziedzinie.

Ten kurs jest stworzony dla tych, którzy już mają wiedzę programistyczną i pracowali z danymi. Wiedza na temat samego machine learning nie jest wymagana. Pod tym względem zaczynamy od zera tłumacząc nawet co to model, predykcja, uczenie maszynowe itp.

Ale uwaga. Nie kończymy na teorii. To tylko początek. Przygotuj się na dużo programowania. Do każdej lekcji, nawet teoretycznej masz quiz i zadania praktyczne. Każde zadanie praktyczne jest rozwiązane, więc bez obaw - nie zgubisz się.

Na kursie nabędziesz intuicji stojącej za algorytmami, ale poznasz też matematykę, która tą intuicję uzasadnia. Bez obaw. Moim celem nie jest nauczanie tutaj liczenia pochodnej ani operacji na macierzach. Wystarczy, że kojarzysz mniej więcej co to jest, ale oczywiście im więcej pamiętasz z matematyki tym lepiej.

Zazwyczaj algorytm implementujemy od zera w Pythonie, a potem pokazujemy, jak korzystać z gotowych klas przygotowanych w module Scikit-Learn. Dzięki temu nie jesteś programistą, który jak małpka uruchamia funkcję nie wiedząc co dzieje się pod spodem. Pracujemy na prawdziwych danych: ceny diamentów, domów, jakość wina, wielkość mózgu, zachorowalność na choroby, rozpoznawanie kształtów i cyfr no i legendarne kwiaty Iris. Chciałbym, żeby studenci kończący ten kurs byli w stanie samodzielnie budować własne modele.

Machine Learning to olbrzymi temat, mnóstwo algorytmów, bibliotek, technik obróbki danych. Po prostu ogrom. My z tego wielkiego obszaru wybieramy tylko dwa tematy – budowę pojedynczego perceptronu, który jest ważny, bo to przecież podstawa głębokich sieci neuronowych, oraz algorytmy z rodziny regresji liniowej. Jest ich kilka i mają swoje specyficzne zastosowania i co by tu dużo mówić – nie można ich nie znać. Ale jak się przekonasz to i tak bardzo dużo, bo te tematy omówimy bardzo dokładnie: intuicja matematyka, przykłady, testy, zadania – komplet, jak na siłowni, tylko dla mózgu, a nie dla mięśni. Jeśli szukasz kursu pod tytułem „wszystkie algorytmy w jeden dzień” to szukaj dalej. Jeśli szukasz rzetelnego omówienia neuronu i regresji, to to jest to.

Przekwalifikowanie się do zawodu programisty machine learning to co najmniej kilkanaście miesięcy pracy. Jednak nos do góry. Ten kurs może być Twoim krokiem we właściwym kierunku. Wszystko w Twoich rękach. Jeśli interesuje Cię temat machine learning, nie chcesz być biernym obserwatorem rosnących zastosowań sztucznej inteligencji i chmury, zapisz się na kurs. Nic nie ryzykujesz.

Teraz jest dobry czas na Machine Learning. Nie czekaj - dołącz. Zapraszam.

Po zakończeniu tego kursu powinieneś:

bez problemu umieć własnymi słowami opowiedzieć o co chodzi w Machine Learning,
opisać jakie mamy do dyspozycji algorytmy, co to jest uczenie nadzorowane i nienadzorowane
znać szczegółowe zasady działania pojedycznego neuronu i umieć go zastosować do rozwiązywania problemów
skorzystać z różnych odmian regresji liniowej: Adaline Początkowe zadania mają na celu odświeżyć wiedzę typowo matematyczną, wprowadzić do optymalnego wykorzystania biblioteki numpy, a kolejne pozwolą poeksperymentować na własną rękę z problemami, jakie stawiamy algorytmom Machine Learning.
Podsumowując. Jeśli masz podstawową wiedzę z programowania, jeśli nie przeraża cię odrobina matematyki i jeśli jesteś ciekawy o co chodzi z tym machine learning i sztuczną inteligencją, jeśli chcesz wystartować od zera w tym temacie, to ten kurs powinien ci to umożliwić.
Obejrzyj lekcje próbne i pamiętając, że z zakupu można wycofać się bez konsekwencji w ciągu 30 dni zacznij swoje bliskie spotkanie ze sztuczną inteligencją – w Twoim ojczystym języku
Do zobaczenia na kursie.

What's inside

Syllabus

Introduction

O kursie

Uwagi techniczne - czego potrzebujesz na kursie

Praktyka, praktyka, praktyka. Nie pozwól, żeby tak smakowity kąsek programowania przmknął Ci koło nosa. Przygotuj środowisko, w którym możesz działać na własną rękę!

Wprowadzenie do tej sekcji

VIDEO - Przygotowanie środowiska - Instalacja Anaconda i Spyder (opcjonalne)

QUIZ - Przygotowanie środowiska - Instalacja Anaconda i Spyder (opcjonalne)

LAB - Przygotowanie środowiska - Instalacja Anaconda i Spyder (opcjonalne)

Podstawy teoretyczne

VIDEO Wyjaśnijmy sobie kilka pojęć

QUIZ - Wyjaśnijmy sobie kilka pojęć

LAB - Predictive Analytics - przeglądanie danych

VIDEO - Modele predykcyjne i uczenie maszynowe

QUIZ - Modele predykcyjne i uczenie maszynowe

LAB - Modele predykcyjne i uczenie maszynowe

VIDEO - Modele predykcyjne i uczenie maszynowe w praktyce

QUIZ - Modele predykcyjne i uczenie maszynowe w praktyce

LAB - Modele predykcyjne i uczenie maszynowe w praktyce

VIDEO - Rodzaje machine learning

QUIZ - Rodzaje machine learning

LAB - Rodzaje machine learning

Uwaga techniczna

VIDEO - Unsupervised learning w praktyce

QUIZ - Unsupervised learning w praktyce

LAB - Unsupervised learning w praktyce

Przygotowanie danych dla algorytmów Machine Learning

VIDEO - #1 - Etapy przygotowania danych do machine learning

QUIZ #1 - Etapy przygotowania danych do machine learning

LAB - Numpy - Typ array z modułu numpy

VIDEO - #2 - Etapy przygotowania danych do machine learning

QUIZ #2 - Etapy przygotowania danych do machine learning

LAB - Numpy - Ręczny podział danych na uczące i testowe

Sztuczny neuron - perceptron

VIDEO - Od neuronu biologicznego przez MCP do perceptronu Rosenblatta

QUIZ - Od neuronu biologicznego przez MCP do perceptronu Rosenblatta

LAB - Numpy - kolejne przydatne polecenia

VIDEO - Matematyczna magia perceptronu Rosenblatt'a

QUIZ - Matematyczna magia perceptronu Rosenblatt'a

LAB - Matematyczna magia perceptronu Rosenblatt'a

VIDEO - Arcymagia - jak się uczy neuron?

QUIZ - Arcymagia - jak się uczy neuron?

LAB - Arcymagia - jak się uczy neuron?

VIDEO - Implementacja perceptronu

QUIZ- Implementacja perceptronu

LAB- Implementacja perceptronu

VIDEO - Optymalizacja, parametryzacja i zastosowanie perceptronu

QUIZ - Optymalizacja, parametryzacja i zastosowanie perceptronu

LAB - Numpy - wydajność- działań na macierzach wykonywanych w pętli lub numpy

VIDEO - Matematyka za neuronem ADALINE

QUIZ- Matematyka za neuronem ADALINE

LAB - Podstawowe funkcje statystyczne w NumPy

VIDEO - Implementacja neuronu ADALINE

QUIZ - Implementacja neuronu ADALINE

LAB - Implementacja neuronu ADALINE

VIDEO - Optymalizacja uczenia przez standaryzację danych uczących

QUIZ - Optymalizacja uczenia przez standaryzację danych uczących

LAB - PROJEKT - Optymalizacja uczenia na przykładzie danych dot. raka piersi

VIDEO - Model perceptronu z scikit-learn

QUIZ- Model perceptronu z scikit-learn

LAB - Model perceptronu z scikit-learn

VIDEO - PROJEKT - Perceptron w akcji - rozpoznawanie ręcznie pisanych cyfr

QUIZ- PROJEKT - Perceptron w akcji - rozpoznawanie ręcznie pisanych cyfr

LAB - PROJEKT - Rozpoznawanie kształtów (four-shapes)

Regresja liniowa

VIDEO - Regresja liniowa, a wielkość mózgu - wprowadzenie

QUIZ - Regresja liniowa, a wielkość mózgu - wprowadzenie

LAB - Regresja liniowa, a wielkość mózgu - wprowadzenie

VIDEO - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)

QUIZ - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)

LAB - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)

LAB - DODATEK - Oczyszczenie danych poprzez uzupełnienie danych

VIDEO - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności

QUIZ - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności

LAB - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności

VIDEO - Implementacja regresji liniowej w oparciu o Scikit-Learn

QUIZ - Implementacja regresji liniowej w oparciu o Scikit-Learn

LAB - Implementacja regresji liniowej w oparciu o Scikit-Learn

VIDEO - Eliminacja wartości odstających - precz z outlierami!

QUIZ- Eliminacja wartości odstających - precz z outlierami!

LAB - Eliminacja wartości odstających - precz z outlierami!

VIDEO - Ocena modelu - wykres wartości resztowych

QUIZ - Ocena modelu - wykres wartości resztowych

LAB - Ocena modelu - wykres wartości resztowych

VIDEO - Ocena modelu regresji - MAE MSE i R2

QUIZ - Ocena modelu regresji - MAE MSE i R2

LAB - Ocena modelu regresji - MAE MSE i R2

RANSAC, Ridge, Lasso, Elastic Net - to wszystko ciągle regresja liniowa

VIDEO - RANSAC (Random Sample Consensus) - uzasadnienie matematyczne

QUIZ - RANSAC (Random Sample Consensus) - uzasadnienie matematyczne

LAB - RANSAC (Random Sample Consensus) - uzasadnienie matematyczne

VIDEO - RANSAC od kuchni - własna implementacja w Pythonie

QUIZ - RANSAC od kuchni - własna implementacja w Pythonie

LAB - RANSAC od kuchni - własna implementacja w Pythonie

VIDEO - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn

QUIZ - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn

LAB - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn

VIDEO - Matematyczne czary za modelami Ridge, Lasso i Elastic Net

Good to know

Know what's good

, what to watch for

, and possible dealbreakers

Core Audience: Software developers with a foundation in data science, machine learning, and programming, who seek to enhance their understanding of machine learning concepts

Introduces the concept of machine learning, its applications, and real-world use cases

Develops a deep understanding of the mathematical principles behind machine learning algorithms, including perceptrons and regression models

Guides learners through hands-on implementation of machine learning algorithms in Python, fostering practical skills

Leverages industry-standard libraries like NumPy and scikit-learn, preparing learners for real-world applications

Provides a comprehensive coverage of machine learning concepts, from the basics to advanced topics like regression models

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja with these activities:

Review Perceptron

Show steps

Perceptron consists of the basic building block to many more complex machine learning models.

Browse courses on Perceptron

Show steps

Go over the definition of Perceptron.
Review its mathematical model.
Read through a few examples.

Complete Perceptron practice problems

Show steps

Completing practice questions can help reinforce learning.

Browse courses on Perceptron

Show steps

Find a set of practice exercises.
Work through the exercises at your own pace.
Check your answers against the provided answer key.

Watch a tutorial on Regression

Show steps

A tutorial can provide a quick and easy way to learn the basics of a topic and stay ahead of the course content.

Browse courses on Regression

Show steps

Search for a tutorial on Regression.
Watch the tutorial and take notes.
Complete any practice exercises that are included in the tutorial.

Three other activities

Expand to see all activities and additional details

Show all six activities

Complete Regression practice problems

Show steps

Completing practice questions can help reinforce learning.

Browse courses on Regression

Show steps

Find a set of practice exercises.
Work through the exercises at your own pace.
Check your answers against the provided answer key.

Create a cheat sheet on Perceptron

Show steps

The process of creating your own materials can help you retain and apply the knowledge you are learning.

Browse courses on Perceptron

Show steps

Gather your notes and other resources on Perceptron.
Organize the information in a logical way.
Create a visually appealing and easy-to-read cheat sheet.

Create a mind map of Regression

Show steps

The process of creating your own materials can help you retain and apply the knowledge you are learning.

Browse courses on Regression

Show steps

Gather your notes and other resources on Regression.
Organize the information in a logical way.
Create a visually appealing and easy-to-read mind map.

Career center

Learners who complete Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja will develop knowledge and skills that may be useful to these careers:

Machine Learning Engineer

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, aims to provide a comprehensive introduction to machine learning concepts and techniques. Machine learning engineers apply these concepts to design, develop, and maintain machine learning systems. By taking this course, you will gain a strong foundation in the fundamentals of machine learning, including the theory behind perceptrons and regression models. This knowledge will equip you to excel as a machine learning engineer, enabling you to develop and implement innovative machine learning solutions.

See salaries and explore the career path for Machine Learning Engineer

Data Scientist

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, is an excellent resource for individuals interested in pursuing a career as a data scientist. This course provides a solid foundation in machine learning techniques, including perceptrons and regression models, which are essential skills for data scientists. By completing this course, you will gain the knowledge and skills needed to extract insights from data, build predictive models, and communicate your findings effectively.

See salaries and explore the career path for Data Scientist

Software Engineer

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide software engineers with the necessary knowledge and skills to incorporate machine learning into their software applications. By understanding the fundamentals of perceptrons and regression models, software engineers can develop more intelligent and efficient systems. This course will help you build a strong foundation in machine learning, enabling you to create innovative software solutions that leverage the power of data.

See salaries and explore the career path for Software Engineer

Business Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, may be useful for business analysts who want to gain a deeper understanding of machine learning techniques and their applications in the business world. By learning about perceptrons and regression models, business analysts can enhance their ability to analyze data, identify trends, and make more informed business decisions.

See salaries and explore the career path for Business Analyst

Quantitative Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide quantitative analysts with the necessary skills to develop and implement machine learning models for financial analysis. By gaining a deep understanding of perceptrons and regression models, quantitative analysts can improve their ability to forecast financial trends, evaluate risk, and make more informed investment decisions.

See salaries and explore the career path for Quantitative Analyst

Artificial Intelligence Engineer

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can serve as a valuable resource for aspiring artificial intelligence engineers who want to build a strong foundation in machine learning. By learning about perceptrons and regression models, AI engineers can develop a deeper understanding of how machines learn and make decisions. This knowledge is essential for designing and implementing effective AI systems.

See salaries and explore the career path for Artificial Intelligence Engineer

Research Scientist

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide research scientists with the necessary knowledge and skills to apply machine learning techniques to their research. By gaining a deep understanding of perceptrons and regression models, research scientists can enhance their ability to analyze data, identify patterns, and draw meaningful conclusions from their research findings.

See salaries and explore the career path for Research Scientist

Data Engineer

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can be beneficial for data engineers who want to gain a deeper understanding of machine learning techniques and their applications in data engineering. By learning about perceptrons and regression models, data engineers can improve their ability to design and implement data pipelines that support machine learning models.

See salaries and explore the career path for Data Engineer

Statistician

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide statisticians with the necessary skills to apply machine learning techniques to their statistical analysis. By gaining a deep understanding of perceptrons and regression models, statisticians can enhance their ability to analyze data, identify trends, and develop predictive models.

See salaries and explore the career path for Statistician

Actuary

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, may be useful for actuaries who want to gain a deeper understanding of machine learning techniques and their applications in the insurance industry. By learning about perceptrons and regression models, actuaries can improve their ability to assess risk, develop pricing models, and make more informed decisions.

See salaries and explore the career path for Actuary

Financial Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide financial analysts with the necessary skills to apply machine learning techniques to their financial analysis. By gaining a deep understanding of perceptrons and regression models, financial analysts can enhance their ability to analyze financial data, identify trends, and make more informed investment decisions.

See salaries and explore the career path for Financial Analyst

Marketing Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide marketing analysts with the necessary skills to apply machine learning techniques to their marketing campaigns. By gaining a deep understanding of perceptrons and regression models, marketing analysts can enhance their ability to analyze customer data, identify trends, and develop more targeted marketing campaigns.

See salaries and explore the career path for Marketing Analyst

Operations Research Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide operations research analysts with the necessary skills to apply machine learning techniques to their operations research problems. By gaining a deep understanding of perceptrons and regression models, operations research analysts can enhance their ability to analyze data, identify patterns, and develop more effective solutions to operational problems.

See salaries and explore the career path for Operations Research Analyst

Product Manager

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide product managers with the necessary skills to apply machine learning techniques to their product development process. By gaining a deep understanding of perceptrons and regression models, product managers can enhance their ability to analyze customer data, identify trends, and develop more innovative and user-centric products.

See salaries and explore the career path for Product Manager

Healthcare Analyst

The course, Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja, can provide healthcare analysts with the necessary skills to apply machine learning techniques to their healthcare data analysis. By gaining a deep understanding of perceptrons and regression models, healthcare analysts can enhance their ability to analyze patient data, identify trends, and develop more effective healthcare interventions.

See salaries and explore the career path for Healthcare Analyst

Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja

Here's a deal for you

What's inside

Syllabus

Good to know

Save this course

Activities

Career center

Reading list

Share

Similar courses