Ciencia de datos y aprendizaje automático con Python - ¡Manos a la obra! (10 Horas) (Subtítulos: Español - Ingles) | Descarga

Los científicos de datos disfrutan de uno de los trabajos mejor pagados, con un salario promedio de $120,000 según Glassdoor e Indeed. ¡Eso es solo el promedio! Y no se trata solo de dinero, ¡también es un trabajo interesante!

Si tiene algo de experiencia en programación o secuencias de comandos, este curso le enseñará las técnicas utilizadas por científicos de datos reales en la industria tecnológica, y lo preparará para pasar a esta carrera profesional. Este curso integral incluye 68 conferencias que abarcan casi 9 horas de video , y la mayoría de los temas incluyen ejemplos prácticos de código de Python que puede usar como referencia y práctica. Me basaré en mis 9 años de experiencia en Amazon e IMDb para guiarlo a través de lo que importa y lo que no.

Cada concepto se presenta en un lenguaje sencillo, evitando confundir la notación matemática y la jerga. Luego se demuestra utilizando el código Python con el que puede experimentar y desarrollar, junto con notas que puede conservar para referencia futura. No encontrará una cobertura académica y profundamente matemática de estos algoritmos en este curso; el enfoque está en la comprensión práctica y la aplicación de ellos.

Los temas de este curso provienen de un análisis de los requisitos reales en las listas de trabajos de científicos de datos de los principales empleadores tecnológicos. Cubriremos las técnicas de aprendizaje automático y minería de datos que buscan los empleadores reales, que incluyen:

Análisis de regresión
Agrupación de K-Means
Análisis de componentes principales
Entrenar/Prueba y validación cruzada
Métodos Bayesianos
Árboles de decisión y bosques aleatorios
Regresión multivariada
Modelos de niveles múltiples
Máquinas de vectores de soporte
Aprendizaje reforzado
Filtración colaborativa
K-vecino más cercano
Compensación de sesgo/varianza
Aprendizaje en conjunto
Frecuencia de término / Frecuencia de documento inversa
Diseño Experimental y Pruebas A/B

...¡y mucho más! También hay una sección completa sobre aprendizaje automático con Apache Spark , que le permite escalar estas técnicas a "grandes datos" analizados en un clúster informático.


Si es nuevo en Python, no se preocupe: el curso comienza con un curso intensivo. Si ha hecho algo de programación antes, debe retomarlo rápidamente. Este curso le muestra cómo configurar PC con Microsoft Windows; el código de muestra también se ejecutará en sistemas de escritorio MacOS o Linux, pero no puedo brindarles soporte específico para el sistema operativo.

Si es un programador que busca cambiar a una nueva y emocionante carrera profesional, o un analista de datos que busca hacer la transición a la industria tecnológica, este curso le enseñará las técnicas básicas utilizadas por los científicos de datos de la industria del mundo real. ¡Creo que lo disfrutarás!

Temario del curso

1.Introducción 2:44
2.Instrucciones de configuración de Windows 9:43
3.Instrucciones de configuración de Mac 7:04
4.Instrucciones de configuración de Linux 8:11
5.Conceptos básicos de Python, Parte 1 4:59
6.Conceptos básicos de Python, Parte 2 5:17
7.Conceptos básicos de Python, Parte 3 2:46
8.Conceptos básicos de Python, Parte 4 4:02
9.Introducción a los pandas 10:08
10Tipos de datos 6:58
11Media, mediana, moda 5:26
12Usar media, medios y modo en Python 8:20
13Variación y Desviación Estándar 11:12
14función de densidad de probabilidad; Función de probabilidad 3:27
15.Distribuciones de datos comunes 7:45
dieciséis.Percentiles y Momentos 12:32
17Un curso acelerado en matplotlib 13:46
18Visualización de datos con Seaborn 17:30
19Covarianza y Correlación 11:31
20Ejercicio: Probabilidad Condicional 16:04
21Solución del ejercicio: probabilidad condicional 2:20
22Teorema de Bayes 5:23
23Regresión lineal 11:01
24Regresión polinomial 8:04
25Regresión múltiple 16:26
26Modelos de niveles múltiples 4:36
27Aprendizaje supervisado vs. no supervisado, entrenamiento/prueba 8:57
28Uso de Train/Test para evitar el sobreajuste 5:47
29Métodos Bayesianos: Conceptos 3:59
30Implementación de un clasificador de spam con Naive Bayes 8:05
31Agrupación de K-Means 7:23
32.Agrupación de personas por ingresos y edad 5:14
33.medir la entropía 3:09
34.Windows: Instalación de Graphviz 0:22
35.Mac: Instalación de Graphviz 1:16
36.Linux: Instalación de Graphviz 0:54
37.Árboles de decisión: conceptos 8:43
38.Árboles de decisión: predicción de decisiones de contratación 9:47
39.Aprendizaje en conjunto 5:59
40[Actividad] XGBoost 15:29
41.Descripción general de las máquinas de vectores de soporte (SVM) 4:27
42.Uso de SVM para agrupar personas 9:29
43.Filtrado colaborativo basado en el usuario 7:57
44.Filtrado colaborativo basado en elementos 8:15
45.Encontrar similitudes de películas 9:08
46.Mejorar los resultados de similitudes de películas 7:59
47.Hacer recomendaciones de películas a las personas 10:22
48.Mejorar los resultados del recomendador 5:29
49.K-vecinos más cercanos: conceptos 3:44
50Uso de KNN para predecir la calificación de una película 12:29
51.Reducción de dimensionalidad; Análisis de componentes principales 5:44
52.Ejemplo de PCA con el conjunto de datos Iris 9:05
53.Almacenamiento de datos; ETL y ELT 9:05
54.Aprendizaje reforzado 12:44
55.Práctica con Q-Learning 12:56
56.Comprender una matriz de confusión 5:17
57.Clasificadores de medición (Precisión, Recuperación, F1, ROC, AUC) 6:35
58.Compensación de sesgo/varianza 6:15
59.Validación cruzada de K-Fold 10:26
60Limpieza y normalización de datos 7:10
61.Limpieza de datos de registro web 10:56
62.Normalización de datos numéricos 3:22
63.Detección de valores atípicos 6:21
64.Ingeniería de funciones y la maldición de la dimensionalidad 6:03
sesenta y cinco.Técnicas de imputación de datos faltantes 7:48
66.Manejo de datos no balanceados: sobremuestreo, submuestreo y SMOTE 5:35
67.Agrupación, transformación, codificación, escalado y barajado 7:51
68.Notas importantes de instalación de Spark 5:00
69.Instalación de Spark - Parte 1 6:59
70.Instalación de Spark - Parte 2 7:20
71.Chispa Introducción 9:10
72.Spark y el conjunto de datos distribuido resistente (RDD) 11:42
73.Introducción a MLLib 5:09
74.Árboles de decisión en Spark 16:15
75.Clúster de K-Means en Spark 11:23
76.TF / FDI 6:43
77.Buscando en Wikipedia con Spark 8:21
78.Uso de la API de DataFrame de Spark 2 para MLLib 8:07
79.Implementación de modelos en producción 8:42
80.Conceptos de prueba A/B 8:23
81.Pruebas T y valores P 5:59
82.Práctica con pruebas T 6:03
83.Determinar cuánto tiempo ejecutar un experimento 3:24
84.Problemas con la prueba A/B 9:26


NOTA: Para saber y ver mas detalles del curso, visite el sitio oficial del contenido.
Nota: Puede descargar (Ciencia de datos y aprendizaje automático con Python - ¡Manos a la obra! (Subtítulos: Español - Ingles) | Descarga) de los enlaces de descarga. Compartimos cotenidos bajo los términos de GPL (Licencia pública general GNU) que proporciona contenido de libre uso personal con fines educativos. Promovemos el aprendizaje y acciones colaborativas con las personas, .Este es un contenido compartido gratuito, pero puede adquirlo del sitio oficial... "En consiguelogratis.com no alojamos directamente los archivos en ninguno de nuestros servidores" este sitio solo contiene enlaces de descarga de terceros por usuarios individuales que están disponibles gratuitamente en todo Internet. (Hacemos este descargo respetando la autoria de los dueños reales del contenido)

$ads={1} Contraseñas de los archivos:
consiguelogratis.com
consiguelogratis
cursos.cibernautas.org
cibernautas.org
libros.consiguelogratis.com
multimedia.consiguelogratis.com
downloadcity

Ir a descargar Click para ver la lista de links

Ayudanos con su donativo a mantener este sitio web siempre EN LINEA. También eso nos motiva a seguir publicando más contenido libre para todos. Donar con PayPal

Mostrar Descripción