机器学习和深度学习课程

通过使用 Numpy、Scikit-learn、Pandas、Matplotlib、Pytorch 解决 80 多个项目进行面向实践的解释。机器学习和深度学习简介Google Colab简介Python速成课程数据预处理监督机器学习回归分析逻辑回归K最近邻（KNN）贝叶斯定理和朴素贝叶斯分类器支持向量机（SVM）决策树机器学习中的随机森林Boosting方法神经网络和深度学习简介激活函数损失函数反向传播用于回归分析的神经网络用于分类的神经网络丢弃正则化和批量归一化卷积神经网络 (CNN) 递归神经网络 (RNN) 自动编码器生成对抗网络 (GAN) 无监督机器学习 K 均值聚类分层聚类基于密度的噪声应用空间聚类 (DBSCAN) 高斯混合模型 (GMM) 聚类主成分分析 (PCA)您将学到什么机器学习和深度学习算法的理论、数学和实现。回归分析。经典机器学习中使用的分类模型，例如逻辑回归、KNN、支持向量机、决策树、随机森林和机器学习中的增强方法。构建人工神经网络并将其用于回归和分类问题。将 GPU 与深度学习模型结合使用。卷积神经网络迁移学习递归神经网络时间序列预测和分类。自动编码器生成对抗网络Python 从头开始​​ Numpy、Matplotlib、 seaborn、Pandas、Pytorch、scikit-learn 和其他 python 库。超过 80 个使用机器学习和深度学习模型解决的项目。Machine Learning And Deep Learning In One Semester

本课程适合谁：机器学习和深度学习课程的学生。想要从头开始学习机器学习和深度学习的初学者。人工智能研究人员。想要发展 Python 编程技能来解决机器学习和深度学习任务的学生和研究人员。想要从Matlab 和其他编程语言到 Python。

MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz
语言：英语 | 大小：8.8 GB | 时长：46小时45分钟

您将学到什么
机器学习和深度学习算法的理论、数学和实现。
经典机器学习中使用的分类模型（例如逻辑回归、KNN、支持向量机、决策树和随机森林）
构建人工神经网络，并将其用于使用
GPU 与神经网络和深度学习模型来解决回归和分类问题。
卷积神经网络、
迁移学习、
循环神经网络和 LSTM
时间序列预测和分类。
自动编码器
生成对抗网络 (GAN)
从头开始​​使用 Python
Numpy、Matplotlib、Seaborn、Pandas、Pytorch、Scikit-learn 和其他 Python 库。
使用机器学习和深度学习模型解决了 80 多个项目

要求
具有一定的编程知识是更好的，但不是必需的
Gmail 帐户（适用于 Google Colab）