数据科学、人工智能、机器学习与 Python

视频预览

关于视频

大神简介

Uplatz 是英国领先的 IT 培训机构，为全球各地的学生提供服务。我们的独特之处在于，我们提供的在线培训课程的费用仅为市场上这些课程平均费用的一小部分。

在短短的 6 年时间里，Uplatz 已发展成为一家真正的全球性 IT 培训机构，提供各种以职业为导向的尖端技术和软件编程课程。

我们的专长包括数据科学、机器学习、深度学习、数据工程、AWS、SAP、Oracle、Salesforce、Microsoft Azure、GCP、DevOps、SAS、Python、R、JavaScript、Java、C、C++、全栈 Web 开发、Angular、React、NodeJS、Django、物联网、网络安全、BI 和可视化、Tableau、Power BI、数据仓库、ETL 工具、ServiceNow、软件测试、RPA、嵌入式工程、汽车工程、DSP、VHDL、微控制器、电子、计算机硬件工程、MATLAB、数字营销、产品营销、金融、会计、Tally 等。

Uplatz 成立于 2017 年 3 月，在短短几年时间里，Uplatz 在培训行业取得了惊人的发展，在 180 个国家提供了 300 多门自学课程和 5000 多门导师指导课程的培训，服务了 150 万名学生。

乌普拉茨的培训课程是高度结构化的，以主题为中心，以工作为导向，强调实践和作业。无论是云计算、SAP、Oracle、Salesforce、编程语言、网站开发，还是其他任何技术和热门软件，我们的课程都由技术精湛、经验丰富的讲师设计和教授

预先准备

热情和决心在世界上留下自己的印记！

技能简述

数据科学数据科学是一个跨学科领域，重点是从结构化和非结构化数据中提取知识和见解。它涉及统计学、计算机科学和信息理论中的各种技术，用于分析和解释复杂数据：数据清理：数据挖掘：数据分析：分析数据以了解其结构和特征：数据可视化：数据科学中的 Python Python 在数据科学中被广泛使用，因为它简单易用，而且有功能强大的函数库：Pandas：用于数据处理和分析：NumPy：用于数值计算。Matplotlib 和 Seaborn：用于数据可视化：用于数据可视化：用于高级统计操作：人工智能（Artificial Intelligence，AI）人工智能是一个更广泛的概念，指机器能够以我们认为 “智能 “的方式执行任务。它包括从下棋的计算机程序到 Siri 和 Alexa 等语音识别系统等任何东西：专家系统：模拟人类专家决策能力的计算机程序：理解和生成人类语言：设计和编程机器人以执行任务：计算机视觉：解释和理解来自世界的视觉信息。人工智能中的 Python Python 因其易用性和通过各种库提供的广泛支持而成为人工智能领域的首选：TensorFlow 和 PyTorch：用于深度学习和神经网络：TensorFlow和PyTorch：用于深度学习和神经网络；OpenCV：用于计算机视觉任务；NLTK和spaCy：用于自然语言处理：用于自然语言处理：用于一般机器学习任务机器学习 (ML)：机器学习是人工智能的一个子集，涉及算法的开发，允许计算机根据数据进行学习并做出预测或决策。它可分为监督学习、无监督学习和强化学习：算法在标注数据的基础上进行训练：强化学习：Python在机器学习中的应用Python因其强大的库和社区支持而在ML中得到广泛应用：Scikit-learn：TensorFlow和PyTorch：用于构建和训练复杂的神经网络：TensorFlow 和 PyTorch：用于构建和训练复杂的神经网络：用于简化神经网络创建：LightGBM：针对速度和性能进行了优化的梯度提升框架。Python 是这些领域的统一语言，原因如下：易于学习和使用：Python 的语法清晰易读，初学者可以轻松掌握，经验丰富的开发人员也能高效使用：Python拥有丰富的库生态系统，可简化数据科学、人工智能和ML中的各种任务：庞大而活跃的社区为解决问题提供了丰富的资源、教程和论坛。集成能力：Python 可以轻松与其他语言和技术集成，使其成为各种应用的多面手。Artificial Intelligence, Data Science, and Machine Learning with Python – Course Curriculum1.人工智能概述和 Python 环境设置人工智能、数据科学、Python 和 Anaconda 环境设置的基本概念2.用于人工智能、DS 和 MLB 的 Python 编程入门Python 编程的基本概念3.数据导入处理各种文件类型的有效方法和导入技术4.探索性数据分析和描述性统计了解模式、总结数据5.概率论与推断统计掌握统计思维和概率论的核心概念6.数据可视化使用图表、图形和交互式可视化展示数据7.数据清理、数据操作和预处理垃圾进-垃圾出（整理/清理）：使数据可用于统计模型8。预测建模与机器学习利用数据进行学习、归纳和预测的算法集1.数据科学概述和 Python 环境设置数据科学概述数据科学简介数据科学的组成部分受数据科学影响的行业数据科学用例和业务应用数据科学项目的生命周期Python 环境设置Anaconda 发行版简介Anaconda for Python 的安装Anaconda Navigator 和 Jupyter NotebookMarkdown 简介和脚本编写Spyder IDE 简介和功能2. Python 编程入门变量、标识符和运算符变量类型语句、赋值和表达式算术运算符和优先级逻辑运算符成员运算符迭代/容器字符串列表元组集合字典条件和循环if elseWhile LoopFor Loop继续、中断和传递嵌套循环列表理解函数内置函数用户自定义函数命名空间和范围递归函数嵌套函数默认参数和灵活参数Lambda 函数匿名函数3.数据导入Flat-files 数据Excel 数据数据库（MySQL、SQLite……等）统计软件数据（SAS、SPSS、Stata……等）基于网络的数据（HTML、XML、JSON……等）云托管数据（Google Sheets）社交媒体网络（Facebook Twitter Google sheets APIs）4.数据清理、数据操作和预处理处理错误、缺失值和异常值相关数据和不一致数据重塑数据（添加、过滤和合并）重命名列和数据类型转换特征选择和特征缩放有用的 Python 包NumpyPandasScipy5.探索性数据分析和描述性统计变量类型和测量尺度定性/分类名义序数定量/数值离散连续间隔比率中心倾向的度量平均值、中位数、模式、变异性和形状的度量标准差、方差和范围、IQRS 偏度和峰度多元数据分析二元数据分析多元数据分析6. 概率论与推理统计概率与概率分布概率入门相对频率与累积频率交叉表或权变表的频率2 个或更多事件的概率条件概率独立事件与依赖事件互斥事件贝叶斯定理二项分布均匀分布卡方分布F 分布泊松分布学生 t 分布正态分布抽样、参数估计与统计检验统计检验抽样分布中心极限定理置信区间假设检验z 检验、t 检验、卡方检验、方差分析Z 分数和 P 值相关性和协方差7.数据可视化绘制图表和图形散点图条形图/堆叠条形图饼图箱形图组态图线形图ggplot2、lattice 软件包Matplotlib 和 Seaborn 软件包交互式数据可视化Plot ly8.统计建模与机器学习回归简单线性回归多重线性回归多项式回归分类逻辑回归最近邻（KNN）支持向量机决策树、随机森林Naive Bayes分类器聚类K-Means聚类分层聚类DBSCAN聚类关联规则挖掘Apriori市场篮子分析降维主要成分分析（PCA）线性判别分析（LDA）集合方法BaggingBoosting9.端到端毕业设计项目

你将学到

学习数据科学、人工智能和机器学习的基础知识

理解并执行 Python 环境设置

介绍用于人工智能、DS 和 ML 的 Python 编程
 学习数据导入

了解探索性数据分析和描述性统计

掌握概率论与推断统计

学习如何使用 Python 进行数据可视化

深入了解使用 Python 编程实现数据清理、数据操作和预处理的方法

了解预测建模和机器学习

视频截图

视频笔记

↓欢迎把学习笔记写在评论区 ↓