Корзина покупок пуста.
Вы можете выбрать товар из Каталога.
Вы можете выбрать товар из Каталога.
![[Udemy] PHP парсинг XML (Валерий Жданов)](https://i4.storeland.net/2/5905/159045446/baec64/udemy-php-parsing-xml-valerij-zhdanov.png)
Артикул: R76164
Наличие товара: В наличии
![[Udemy] Подготовка к сертификации Java 8, Oracle Certified Associate (Игорь Соудакевитч)](https://i3.storeland.net/2/5905/159045449/baec64/udemy-podgotovka-k-sertifikacii-java-8-oracle-certified-associate-igor-soudakevitch.png)
![[Udemy] Введение в машинное обучение](https://i4.storeland.net/2/5905/159045645/afacdb/udemy-vvedenie-v-mashinnoe-obuchenie.jpg "[Udemy] Введение в машинное обучение")
Бесплатная
Доставка
Доставка
Гарантия
Возврата
Возврата
Онлайн
Поддержка
Поддержка
153 рубля
![[?IMG]](proxy.php?image=https%3A%2F%2Fc.radikal.ru%2Fc20%2F2103%2F7d%2F3a79a63a48d8.jpg&hash=d29d3b16d382dbb1a9d1f638a917a334&v=4)
? Чему вы научитесь
- Задачи и процесс машинного обучения
- Данные для машинного обучения
- Особенности обучение моделей
- Экспорт и импорт результатов машинного обучения
- Метод максимального правдоподобия
- Линейная регрессия и регуляризация
- Среднеквадратичная ошибка и другие метрики
- Полиномиальная и нелинейная регрессия
- Логистическая регрессия
- Школьная математика
- Интерес к искусственному интеллекту и(ли) большим данным
Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.
Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную и логистическую регрессии.
Курс является вводным и подойдет широкому кругу слушателей: от руководителей до разработчиков.
Для кого этот курс:
- Руководители и менеджеры
- Разработчики больших систем
- Научные работники
- Директора по маркетингу и продажам
Процесс машинного обучения
Задачи машинного обучения
Задачи машинного обучения
Модель и процесс машинного обучения
Процесс ETL
Процесс машинного обучения
Подготовка данных
EDA
Подготовка данных
Подготовка данных
Модель машинного обучения
Разбиение выборки
Оптимизация гиперпараметров
Недообучение и переобучение
Обучение модели
Использование HDF
Базовые методы и оценки
Метод максимального правдоподобия
Метод наименьших квадратов
Метод наименьших квадратов
Аппроксимация пропусков в данных
Аппроксимация данных
Среднеквадратичная ошибка
Метрики и расстояния
Метрики и расстояния
Линейные модели
Линейная регрессия и L1/L2-регуляризация
Линейная регрессия
BIC и AIC
Полиномиальная регрессия
Линеаризация регрессии
Нелинейная регрессия
Логистическая регрессия
Линейные модели
Задачи машинного обучения
Задачи машинного обучения
Модель и процесс машинного обучения
Процесс ETL
Процесс машинного обучения
Подготовка данных
EDA
Подготовка данных
Подготовка данных
Модель машинного обучения
Разбиение выборки
Оптимизация гиперпараметров
Недообучение и переобучение
Обучение модели
Использование HDF
Базовые методы и оценки
Метод максимального правдоподобия
Метод наименьших квадратов
Метод наименьших квадратов
Аппроксимация пропусков в данных
Аппроксимация данных
Среднеквадратичная ошибка
Метрики и расстояния
Метрики и расстояния
Линейные модели
Линейная регрессия и L1/L2-регуляризация
Линейная регрессия
BIC и AIC
Полиномиальная регрессия
Линеаризация регрессии
Нелинейная регрессия
Логистическая регрессия
Линейные модели
