Podstawy nauki o danych: wnioskowanie statystyczne i uczenie maszynowe

Wydobycie znaczących informacji z danych wymaga czegoś więcej niż tylko rysowania podstawowych wykresów; wymaga to solidnego rozumowania statystycznego i modelowania predykcyjnego. Ten kurs tekstowy prowadzi przez podstawowe zasady wnioskowania statystycznego i uczenia maszynowego bez przytłaczającego żargonu matematycznego. Pod koniec tego kursu przejdziesz od podstawowej manipulacji danymi do budowania, oceny i interpretacji modeli predykcyjnych. Zrozumiesz, jak formułować hipotezy, stosować algorytmy uczenia maszynowego i systematycznie oceniać swoje wyniki. Czego się nauczysz: - Zrozum podstawowe pojęcia statystycznego testowania hipotez i przedziałów ufności - Wdrażaj podstawowe algorytmy uczenia maszynowego do klasyfikacji i regresji - Oczyść i przygotuj dane za pomocą nowoczesnych bibliotek ramek danych i potoków przetwarzania wstępnego - Oceń wydajność modelu za pomocą solidnych technik i metryk walidacji - Zastosuj podstawowe zasady MLOps, aby zapewnić, że Twoje modele są powtarzalne i niezawodne Zaczynamy od podstawowej terminologii i podstawowych pojęć wnioskowania statystycznego, zanim przejdziemy do praktycznych implementacji uczenia maszynowego. Będziesz rozwijać się poprzez jasne pisemne wyjaśnienia, praktyczne fragmenty kodu i uporządkowane ćwiczenia mające na celu utrwalenie zrozumienia. Ten kurs jest przeznaczony dla początkujących, którzy mają podstawową wiedzę na temat Pythona i chcą zanurzyć się w nauce o danych i uczeniu maszynowym. Nie jest wymagane zaawansowane tło matematyczne lub statystyczne. Zacznij budować swój zestaw narzędzi do analizy danych już dziś, korzystając z przejrzystych, pisemnych samouczków.