Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja
4.7 (65 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,183 students enrolled

Uczenie maszynowe w Pythonie. Podstawy, perceptron, regresja

Machine Learning już się dzieje i będzie się dziać dalej. Warto je poznać!
Bestseller
4.7 (65 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,183 students enrolled
Created by Rafał Mobilo
Last updated 5/2020
Polish
Current price: $65.99 Original price: $94.99 Discount: 31% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 6 hours on-demand video
  • 37 articles
  • 18 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • pojęcia data science, machine learning, artificial intelligence, prediction
  • modele statystyczne, matematyczne, danych, typy uczenia
  • intuicja i matematyka stojąca za uczeniem maszynowym
  • perceptron Rosenblata - implementacja i wykorzystanie
  • modele regresji liniowej: Adaline, RANSAC, Lasso, Ridge, ElasticNet
  • przygotowanie danych do analizy
  • uzupenianie brakujcych danych, eliminacja wartosci odstajacych
  • korzystanie z metod i modeli modulu Scikit-Learn
Course content
Expand all 68 lectures 07:18:13
+ Introduction
2 lectures 04:38
Uwagi techniczne - czego potrzebujesz na kursie
02:00
+ Przygotowanie środowiska do kursu, bo przecież nie chcesz chyba tylko oglądać?
3 lectures 12:43
Wprowadzenie do tej sekcji
00:27
QUIZ - Przygotowanie środowiska - Instalacja Anaconda i Spyder (opcjonalne)
4 questions
LAB - Przygotowanie środowiska - Instalacja Anaconda i Spyder (opcjonalne)
00:16
+ Podstawy teoretyczne
11 lectures 54:39
Wprowadzenie do tej sekcji
01:09
VIDEO Wyjaśnijmy sobie kilka pojęć
10:38
QUIZ - Wyjaśnijmy sobie kilka pojęć
3 questions
LAB - Predictive Analytics - przeglądanie danych
03:41
VIDEO - Modele predykcyjne i uczenie maszynowe
05:17
QUIZ - Modele predykcyjne i uczenie maszynowe
3 questions
LAB - Modele predykcyjne i uczenie maszynowe
01:19
VIDEO - Modele predykcyjne i uczenie maszynowe w praktyce
07:26
QUIZ - Modele predykcyjne i uczenie maszynowe w praktyce
5 questions
LAB - Modele predykcyjne i uczenie maszynowe w praktyce
01:51
VIDEO - Rodzaje machine learning
09:27
QUIZ - Rodzaje machine learning
3 questions
LAB - Rodzaje machine learning
00:45
QUIZ - Unsupervised learning w praktyce
3 questions
+ Przygotowanie danych dla algorytmów Machine Learning
5 lectures 38:08
Wprowadzenie do tej sekcji
02:51
VIDEO - #1 - Etapy przygotowania danych do machine learning
14:51
QUIZ #1 - Etapy przygotowania danych do machine learning
5 questions
LAB - Numpy - Typ array z modułu numpy
02:46
VIDEO - #2 - Etapy przygotowania danych do machine learning
14:05
QUIZ #2 - Etapy przygotowania danych do machine learning
4 questions
LAB - Numpy - Ręczny podział danych na uczące i testowe
03:35
+ Sztuczny neuron - perceptron
21 lectures 02:17:01
Wprowadzenie do tej sekcji
00:49
QUIZ - Od neuronu biologicznego przez MCP do perceptronu Rosenblatta
3 questions
VIDEO - Matematyczna magia perceptronu Rosenblatt'a
06:52
QUIZ - Matematyczna magia perceptronu Rosenblatt'a
5 questions
LAB - Matematyczna magia perceptronu Rosenblatt'a
01:12
VIDEO - Arcymagia - jak się uczy neuron?
11:21
QUIZ - Arcymagia - jak się uczy neuron?
5 questions
LAB - Arcymagia - jak się uczy neuron?
01:11
VIDEO - Implementacja perceptronu
16:28
QUIZ- Implementacja perceptronu
5 questions
LAB- Implementacja perceptronu
01:40
VIDEO - Optymalizacja, parametryzacja i zastosowanie perceptronu
15:38
QUIZ - Optymalizacja, parametryzacja i zastosowanie perceptronu
4 questions
LAB - Numpy - wydajność- działań na macierzach wykonywanych w pętli lub numpy
03:49
VIDEO - Matematyka za neuronem ADALINE
12:05
QUIZ- Matematyka za neuronem ADALINE
5 questions
LAB - Podstawowe funkcje statystyczne w NumPy
01:55
VIDEO - Implementacja neuronu ADALINE
13:18
QUIZ - Implementacja neuronu ADALINE
4 questions
LAB - Implementacja neuronu ADALINE
01:20
VIDEO - Optymalizacja uczenia przez standaryzację danych uczących
11:15
QUIZ - Optymalizacja uczenia przez standaryzację danych uczących
5 questions
LAB - PROJEKT - Optymalizacja uczenia na przykładzie danych dot. raka piersi
02:46
VIDEO - Model perceptronu z scikit-learn
14:50
QUIZ- Model perceptronu z scikit-learn
3 questions
LAB - Model perceptronu z scikit-learn
00:55
VIDEO - PROJEKT - Perceptron w akcji - rozpoznawanie ręcznie pisanych cyfr
08:29
QUIZ- PROJEKT - Perceptron w akcji - rozpoznawanie ręcznie pisanych cyfr
3 questions
LAB - PROJEKT - Rozpoznawanie kształtów (four-shapes)
02:41
+ Regresja liniowa
15 lectures 01:53:24
QUIZ - Regresja liniowa, a wielkość mózgu - wprowadzenie
3 questions
VIDEO - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)
21:57
QUIZ - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)
4 questions
LAB - Oczyszczanie danych i wstępna analiza (Exploratory Data Analysis)
01:28
LAB - DODATEK - Oczyszczenie danych poprzez uzupełnienie danych
03:23
VIDEO - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności
09:41
QUIZ - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności
3 questions
LAB - Samodzielna implementacja regresji liniowej i prosta ocena skuteczności
02:11
VIDEO - Implementacja regresji liniowej w oparciu o Scikit-Learn
07:20
QUIZ - Implementacja regresji liniowej w oparciu o Scikit-Learn
4 questions
LAB - Implementacja regresji liniowej w oparciu o Scikit-Learn
01:26
QUIZ- Eliminacja wartości odstających - precz z outlierami!
3 questions
VIDEO - Ocena modelu - wykres wartości resztowych
13:46
QUIZ - Ocena modelu - wykres wartości resztowych
4 questions
LAB - Ocena modelu - wykres wartości resztowych
01:42
VIDEO - Ocena modelu regresji - MAE MSE i R2
16:55
QUIZ - Ocena modelu regresji - MAE MSE i R2
4 questions
LAB - Ocena modelu regresji - MAE MSE i R2
03:24
+ RANSAC, Ridge, Lasso, Elastic Net - to wszystko ciągle regresja liniowa
10 lectures 01:16:22
QUIZ - RANSAC (Random Sample Consensus) - uzasadnienie matematyczne
3 questions
QUIZ - RANSAC od kuchni - własna implementacja w Pythonie
3 questions
LAB - RANSAC od kuchni - własna implementacja w Pythonie
02:19
VIDEO - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn
09:08
QUIZ - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn
3 questions
LAB - Korzystanie z modelu RANSAC zaimplementowanego w Scikit-Learn
01:50
VIDEO - Matematyczne czary za modelami Ridge, Lasso i Elastic Net
09:31
QUIZ - Matematyczne czary za modelami Ridge, Lasso i Elastic Net
3 questions
LAB - Matematyczne czary za modelami Ridge, Lasso i Elastic Net
05:18
VIDEO - Regularyzacja współczynników - Ridge, Lasso, Elastic Net
17:29
QUIZ - Regularyzacja współczynników - Ridge, Lasso, Elastic Net
3 questions
LAB - Projekt - Regularyzacja współczynników - Ridge, Lasso, Elastic Net
02:20
+ Zakończenie
1 lecture 01:15
Podsumowanie kursu
01:15
Requirements
  • Znajomość Pythona (zobacz nasz kurs "Python dla początkujących" lub "Python dla średnio zaawansowanych")
  • Znajomość podstaw matematyki, statystyki, programownia
  • Rozumienie sensu analizy danych i stosowanych w niej metod
  • Mile widziana znajomość PANDAS (zobacz nasz kurs "Data Science. Analiza danych w Python i PANDAS")
Description

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, RANSAC, Lasso, Ridge, Elastic Net

  • przeanalizować, oczyścić dane i uzupełnić brakujące dane

  • przygotować dane do uczenia maszynowego, dzielić je na dane  uczące i testowe oraz skalować

  • znać szczegóły operacji stojących za skalowaniem i dzieleniem danych na uczące i testowe

Machine Learning nie istnieje bez programowania, dlatego znajdziesz tu mnóstwo zadań do mniej lub bardziej samodzielnego rozwiązania. 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!

Who this course is for:
  • Programiści planujący poznanie machine learning
  • Analitycy danych poszerzający kompetencje do uczenia maszynowego
  • Studenci kierunku IT poznający machine learning
  • Osoby techniczne zainteresowane sztuczną inteligencją