Machine Learning Bootcamp w języku Python cz.II - od A do Z
What you'll learn
- czym jest uczenie nienadzorowane
- czym jest zagadnienie klasteryzacji/grupowania/analizy skupień
- czym jest metryka Minkowskiego
- algorytmu K-średnich wraz z implementacją
- algorytmu grupowania hierarchicznego
- algorytmu DBSCAN
- metod redukcji wymiarowości
- algorytmu PCA wraz z implementacją
- algorytmu t-SNE
- reguł asocjacyjnych
- algorytmu Apriori
- detekcji anomalii
- algorytmu Local Outlier Factor
- algorytmu Isolation Forest
- detekcji anomalii w szeregach czasowych
- do czego służy biblioteka Prophet (Facebook)
Course content
- 00:22Wymagania
- 00:03Uczenie nienadzorowane
- Preview00:53
- 02:17Uczenie nienadzorowane
Requirements
- ukończony kurs Programowanie w języku Python - od A do Z
- ukończony kurs 200+ Ćwiczeń - Programowanie w języku Python
- ukończony kurs 210+ Ćwiczeń - Python - Moduły wbudowane
- ukończony kurs Wprowadzenie do data science w języku Python - Pandas
- ukończony kurs Interaktywne wizualizacje danych w języku Python - Plotly
- ukończony kurs Data Science Bootcamp w języku Python
- ukończony kurs 250+ Ćwiczeń - Data Science Bootcamp w języku Python
- ukończony kurs Machine Learning Bootcamp w języku Python cz.I - od A do Z
Description
---------------------------------------------------------
REKOMENDOWANE ŚCIEŻKI UCZENIA
---------------------------------------------------------
PYTHON DEVELOPER:
Programowanie w języku Python - od A do Z - 2020
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 - od A do Z
150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
Testy jednostkowe w języku Python - framework unittest
100+ Ćwiczeń - Testy jednostkowe w języku Python - unittest
DATA SCIENTIST / MACHINE LEARNING ENGINEER:
Programowanie w języku Python - od A do Z - 2020
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 - od A do Z
150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
Testy jednostkowe w języku Python - framework unittest
100+ Ćwiczeń - Testy jednostkowe w języku Python - unittest
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 - 2020
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 - od A do Z
150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
Testy jednostkowe w języku Python - framework unittest
100+ Ćwiczeń - Testy jednostkowe w języku Python - unittest
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 - 2020
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 - od A do Z
150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
Testy jednostkowe w języku Python - framework unittest
100+ Ćwiczeń - Testy jednostkowe w języku Python - unittest
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 - 2020
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 - od A do Z
150+ Ćwiczeń - Programowanie obiektowe w języku Python - OOP
Testy jednostkowe w języku Python - framework unittest
100+ Ćwiczeń - Testy jednostkowe w języku Python - unittest
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
ENG:
200+ Exercises - Programming in Python - from A to Z
210+ Exercises - Python Standard Libraries - from A to Z
150+ Exercises - Object Oriented Programming in Python - OOP
100+ Exercises - Unit tests in Python - unittest framework
100+ Exercises - Python Programming - Data Science - NumPy
100+ Exercises - Python Programming - Data Science - Pandas
100+ Exercises - Python - Data Science - scikit-learn
250+ Exercises - Data Science Bootcamp in Python
-------------------
OPIS KURSU
-------------------
Druga część kursu z serii Machine Learning Bootcamp obejmująca tematykę uczenia nienadzorowanego. Poruszone są główne problemy uczenia nienadzorowanego takie jak klasteryzacja, redukcja wymiarowości, reguły asocjacyjne czy detekcja anomalii. Kurs zbudowany jest w oparciu o kilka bibliotek do uczenia maszynowego w języku Python: scikit-learn, Prophet, OpenCV.
Na kursie omówionych zostało wiele algorytmów uczenia nienadzorowanego, między innymi:
algorytm K-średnich
grupowanie hierarchiczne
algorytm DBSCAN
algorytm PCA
algorytm t-SNE
algorytm Apriori
LOF - Local Outlier Factor
algorytm Isolation Forest
O uczeniu maszynowym mówi się już praktycznie wszędzie. Wkrada się w każdą dziedzinę naszego życia. Jeżeli zastanawiasz się czy warto podjąć krok w stronę ucznia maszynowego nie zwlekaj ani chwili dłużej i już dziś podejmij wyzwanie.
Who this course is for:
- wszystkich osób, które chcą zgłębić swoją wiedzę na temat uczenia maszynowego
- osób zainteresowanych data science
- data scientistów
- analityków danych
- inżynierów uczenia maszynowego
Instructor
![Paweł Krakowiak](data:image/svg+xml,%3Csvg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 64 64"%3E%3C/svg%3E){kind=avatar}
- 4.6 Instructor Rating
- 1,251 Reviews
- 23,873 Students
- 35 Courses
EN
Data Scientist/Python Developer/Securities Broker
Founder at e-smartdata[.]org.
A big fan of new technologies, especially in the areas of artificial intelligence, big data and cloud solutions.
A graduate of postgraduate studies at the Polish-Japanese Academy of Information Technology in the field of Computer Science in the Big Data specialization.
A graduate of Master's Degree in Financial and Actuarial Mathematics at the Faculty of Mathematics and Computer Science of the University of Lodz.
Stockbroker license holder with experience in teaching at a university.
Lecturer at the GPW Foundation (technical analysis, behavioral finance and portfolio management).
The main areas of interest are artificial intelligence, machine learning, deep learning and financial markets.
PL
Data Scientist, Securities Broker
Założyciel platformy e-smartdata[.]org
Miłośnik nowych technologii, szczególnie w obszarze sztucznej inteligencji, big data oraz rozwiązań chmurowych.
Absolwent podyplomowych studiów na Polsko-Japońskiej Akademii Technik Komputerowych na kierunku Informatyka, spec. Big Data.
Absolwent studiów magisterskich z matematyki finansowej i aktuarialnej na wydziale Matematyki i Informatyki Uniwersytetu Łódzkiego.
Od 2015 roku posiadacz licencji maklera papierów wartościowych z uprawnieniami do czynności doradztwa inwestycyjnego.
Wykładowca w Fundacji GPW prowadzący szkolenia dla inwestorów z zakresu analizy technicznej, finansów behawioralnych i zasad zarządzania portfelem instrumentów finansowych.
Z doświadczeniem w prowadzeniu zajęć dydaktycznych na wyższej uczelni z przedmiotów związanych z rachunkiem prawdopodobieństwa i statystyką.
Główne obszary zainteresowań to sztuczna inteligencja, uczenie maszynowe, uczenie głębokie i rynki finansowe.