Python初学者的逻辑回归教程

您正在寻找一门完整的分类建模课程，教您如何在Python中创建分类模型，对吧？您找到了正确的分类建模课程！完成本课程后，您将能够确定可以使用机器学习分类建模技术解决的业务问题。在Python中创建不同的分类建模模型，并比较它们的性能。自信地练习，讨论和理解机器学习概念，学完本课程后，您可以使用Python进行预测建模。Logistic Regression in Python

课程时长：7小时39分钟 | 视频：.MP4，1920×1080 30帧 | 语言：英语+中英文字幕（云桥网络 机译）含课程文件

你将学到什么
了解如何解释Python中逻辑回归模型的结果，并将其转化为可操作的见解
学习Python中的线性判别分析和K-最近邻技术
在运行分类模型之前使用单变量分析对数据进行初步分析
通过实施机器学习算法根据过去数据预测未来结果
深入了解为机器学习逻辑回归问题收集数据和数据预处理
学习如何使用不同的分类技术解决现实生活中的问题
课程包含一个端到端的DIY项目，以实现您从讲座中学到的知识
在Python中使用Numpy库进行基本统计
在Python中使用Seaborn库进行数据表示
使用Python的Scikit Learn和Statsmodel库进行机器学习的分类技术

要求
学生需要安装Python和Anaconda软件，但我们有一个单独的讲座来帮助您安装相同的软件

本课程将如何帮助您？
一个可验证的完成证书
将被授予所有参加此机器学习基础课程的学生。
如果您是企业经理、高管或想要学习并应用机器学习解决实际业务问题的学生，本课程将通过教授机器学习最流行的分类技术，如逻辑回归、线性判别分析和KNN，为您打下坚实的基础
为什么选择这门课程？
本课程涵盖了解决业务问题时应采取的所有步骤，使用分类技术。
大多数课程只关注如何运行分析，但我们认为在运行分析之前和之后发生的事情更重要，即在运行分析之前，您拥有正确的数据并对其进行一些预处理非常重要。在运行分析之后，您应该能够判断您的模型有多好，并解释结果，以实际帮助您的业务。
我们有资格教你什么？
本课程由Abhishek和Pukhraj教授。作为全球分析咨询公司的经理，我们帮助企业使用机器学习技术解决业务问题，并利用我们的经验在本课程中包含了数据分析的实际方面
我们也是一些最受欢迎的在线课程的创作者 – 拥有超过15万名学员和成千上万条五星评价，比如这些评论
这非常好，我喜欢所有解释都可以被门外汉理解 – 乔舒亚
感谢作者提供这门精彩的课程。你是最棒的，这门课程物超所值。- 黛西

我们的承诺
教导学生是我们的工作，我们对此尽心尽力。如果您对课程内容、练习资料或与任何主题相关的问题有任何疑问，您可以随时在课程中发表问题或直接发送私信给我们。
下载练习文件，参加测验，完成作业
每节课都附有课堂笔记供您跟进。您还可以参加测验，检查对概念的理解。每个章节都包含一个练习作业，供您实际应用所学知识。
这门课程涵盖了哪些内容？
这门课程教授您创建分类模型的所有步骤，这是最受欢迎的机器学习模型，用于解决业务问题。
以下是关于分类机器学习模型的课程内容
第一部分 – 统计基础
这一部分分为五个不同的讲座，从数据类型开始，然后是统计类型，然后是用图形描述数据，然后是有关均值、中位数和众数的中心测量的讲座，最后是有关范围和标准偏差的离散度测量的讲座。
第二部分 – Python基础
这一部分帮助您开始使用Python。
这一部分将帮助您在系统上设置Python和Jupyter环境，并教您如何在Python中执行一些基本操作。我们将了解不同库（如Numpy、Pandas和Seaborn）的重要性。
第三部分 – 机器学习简介
在这一部分，我们将学习 – 机器学习是什么意思。与机器学习相关的术语有哪些含义？您将看到一些示例，以便了解机器学习的实际含义。它还包含构建机器学习模型所涉及的步骤，不仅仅是线性模型，还有任何机器学习模型。
第四部分 – 数据预处理
在这一部分，您将学习需要逐步采取哪些行动来获取数据，然后为分析准备数据，这些步骤非常重要。
我们首先了解业务知识的重要性，然后看如何进行数据探索。我们学习如何进行单变量分析和双变量分析，然后涵盖异常值处理和缺失值插补等主题。
第五部分 – 分类模型
这一部分从逻辑回归开始，然后涵盖线性判别分析和K-最近邻算法。
我们涵盖了每个概念背后的基本理论，而不过多涉及数学，以便您了解概念的来源及其重要性。但即使您不理解也没关系，只要您学会如何运行和解释实践讲座中所教授的结果。
我们还将探讨如何使用混淆矩阵量化模型性能，独立变量数据集中的分类变量在结果中的解释，测试集和训练集分割，以及最终如何解释结果以找出业务问题的答案。
通过本课程，您将在Python中创建分类模型的信心会大增。您将全面了解如何使用分类建模创建预测模型并解决业务问题。
请继续点击“注册”按钮，我会在第1课中见到您！
干杯
Start-Tech Academy

以下是想要开始他们的机器学习之旅的学生常见问题的列表-

什么是机器学习？
机器学习是计算机科学的一个领域，它赋予计算机学习的能力，而无需明确编程。它是基于系统可以从数据中学习、识别模式并做出决策的人工智能分支。

这门课程中教授了哪些分类技术？
在这门课程中，我们学习了参数化和非参数化分类技术。主要关注以下三种技术：
逻辑回归
线性判别分析
K-最近邻（KNN）
学习分类技术需要多长时间？
分类很简单，但没有人可以确定学习所需的时间。这完全取决于你。我们采用的帮助你学习分类的方法从基础开始，几小时内将你带到高级水平。你可以按照相同的步骤进行学习，但请记住，如果不加以实践，你将学不到任何东西。实践是记住你所学到的唯一途径。因此，我们还为你提供了另一个数据集作为一个独立的分类项目。
我应该遵循哪些步骤才能构建一个机器学习模型？
你可以将学习过程分为3部分：
统计学和概率-实施机器学习技术需要对统计学和概率概念有基本了解。课程的第二部分涵盖了这部分内容。
机器学习的理解-第四部分帮助你理解与机器学习相关的术语和概念，并为你提供构建机器学习模型所需的步骤。
编程经验-机器学习的一个重要部分是编程。Python和R显然是近日中的领导者。第三部分将帮助你搭建Python环境并教授你一些基本操作。在后续部分中，有一个关于如何在Python中实现理论讲座中教授的每个概念的视频。
模型的理解-第五和第六部分涵盖了分类模型，每个理论讲座都有一个相应的实践讲座，我们会与你一起实际运行每个查询。
为什么要使用Python进行机器学习？
理解Python是从事机器学习职业所需的宝贵技能之一。
尽管它并非总是如此，但Python是数据科学的首选编程语言。以下是一个简要历史：
2016年，它在Kaggle上超过了R，这是数据科学竞赛的主要平台。
2017年，它在KDNuggets的数据科学家年度调查中超过了R，成为数据科学家最常用的工具之一。
2018年，66%的数据科学家报告称每天使用Python，使其成为分析专业人员的头号工具。
机器学习专家预计这种趋势将随着Python生态系统的不断发展而持续下去。虽然你学习Python编程的旅程可能刚刚开始，但知道就业机会丰富（并且不断增长）也是一件好事。
数据挖掘、机器学习和深度学习之间有什么区别？
简单来说，机器学习和数据挖掘使用与数据挖掘相同的算法和技术，只是预测的种类不同。数据挖掘发现以前未知的模式和知识，而机器学习复制已知的模式和知识，并进一步自动将该信息应用于数据、决策和行动。
另一方面，深度学习利用先进的计算能力和特殊类型的神经网络，并将它们应用于大量数据以学习、理解和识别复杂模式。自动语言翻译和医学诊断是深度学习的例子。

这门课程适合谁？
追求数据科学职业的人
刚开始数据之旅的职业人士
需要更多实践经验的统计学家
任何有兴趣在短时间内从入门到高级掌握分类机器学习技术的人。