Machine Learning & Deep Learning in Python & R

涵盖回归、决策树、支持向量机、神经网络、卷积神经网络、时间序列预测等内容，使用 Python 和 R 语言教学。

讲师:Start-Tech Academy, Pukhraj Parikh, Abhishek Bansal

您将学到什么

• 学习如何使用机器学习技术解决实际生活中的问题
• 线性回归、逻辑回归、KNN 等机器学习模型
• 高级机器学习模型，如决策树、XGBoost、随机森林、支持向量机等。
• 统计学基础知识和机器学习概念的理解
• 如何用 Python 进行基本统计运算和运行机器学习模型
• 深入了解数据收集和机器学习问题的数据预处理知识
• 如何将业务问题转化为机器学习问题

课程要求

• 学生需要安装 Anaconda 软件，但我们有一个单独的讲座来指导你完成安装。

课程描述

您正在寻找一门完整的机器学习和深度学习课程，以帮助您在数据科学、机器学习、Python、R或深度学习领域开启成功的职业生涯吗？

恭喜！您找到了正确的机器学习课程！

完成本课程后，您将能够：

· 使用 R 和 Python 自信地构建预测性机器学习和深度学习模型来解决业务问题并制定业务策略
· 回答与机器学习、深度学习、R 或 Python 相关的面试问题
· 参加在线数据分析和数据科学竞赛（如 Kaggle 竞赛）

请查看下方目录，了解您将要学习的所有机器学习和深度学习模型。

本课程如何帮助您？

完成这门基础机器学习课程后，所有学生都将获得一份可验证的学习证书。
如果您是业务经理或执行官，或者是一名希望学习并应用数据科学、机器学习和深度学习概念来解决实际商业问题的学生，那么本课程将为您提供坚实的基础。通过教授最流行的机器学习和深度学习技术，您还将接触到 R 和 Python 等数据分析工具。

为什么选择这门课程？

该课程涵盖了使用线性回归解决问题时应采取的所有步骤，并且专注于在 R 和 Python 中的机器学习和深度学习技术。
大多数课程只关注如何运行数据分析，但我们认为，在执行数据之前和之后的数据处理同样重要。即，在进行数据处理前，您需要确保拥有正确的数据并对其进行预处理。而在完成数据分析后，您应该能够评估模型的质量，并解释结果以真正帮助您的业务。这就是机器学习和深度学习的重要性所在。掌握 R 和 Python 等数据科学工具的知识在这些领域中起着重要作用。

我们为什么有资格教您？

本课程由 Abhishek 和 Pukhraj 授课。作为全球数据分析咨询公司的管理人员，我们已使用机器学习技术帮助企业解决业务问题，并将我们的经验融入到这门课程的实际方面中。我们在数据科学和深度学习领域拥有深入的知识，使用 R、Python 等工具。

我们还创建了一些最受欢迎的在线课程——有超过 60 万注册人数和数千条五星级评价：

“非常棒，我很喜欢所有解释都能被普通人理解。” — Joshua
“感谢作者提供这门精彩的课程。您是最好的，这个课程值得任何价格。” — Daisy

我们的承诺

教学是我们的工作，我们对此充满热情。如果您有任何关于课程内容、练习题或与主题相关的疑问，请随时在课程中提问或直接联系我们。我们将致力于为您提供高质量的数据科学和机器学习培训。

下载实践文件、参加测验并完成作业
每个讲座都附有课堂笔记供您参考。您可以进行测验以检查对数据科学、机器学习和深度学习概念的理解，使用 R 和 Python 进行实际操作。每个部分包含一个练习任务，让您在数据科学、机器学习和深度学习中使用 R 和 Python 实践应用所学知识。

目录
第 1 章 – Python 基础
本章将帮助您开始使用 Python。
本章将指导您在系统上安装 Python 和 Jupyter 环境，并教您如何执行一些基本操作。我们将了解 Numpy、Pandas 和 Seaborn 等不同库的重要性。Python 基础知识将为学习数据科学、机器学习和深度学习奠定基础。

第 2 章 – R 基础
本章将指导您在系统上安装 R 和 R Studio，并教您如何执行一些基本操作。类似于 Python 基础，R 基础知识将为学习数据科学、机器学习和深度学习奠定基础。

第 3 章 – 统计基础知识
本章分为五个不同的讲座，从数据类型开始，然后是统计类型，图形表示来描述数据，接着是中心度量如均值中位数和众数的讲座，最后是范围和标准差等离散度量。这部分课程对于后续学习数据科学、机器学习和深度学习至关重要。

第 4 章 – 什么是机器学习？
机器学习是一个计算机科学领域，它使计算机能够在没有明确编程的情况下进行学习。它是人工智能的一个分支，基于系统可以通过数据分析来识别模式并做出决策的理念，在最少的人工干预下实现这一点。

为什么使用 Python 进行机器学习？
理解 Python 是从事机器学习职业所需的重要技能之一。
尽管在过去并非如此，Python 已成为数据科学的首选编程语言。以下是简要历史：
2016 年，它在 Kaggle（领先的在线数据分析竞赛平台）上超越了 R。
2017 年，在 KDNuggets 的年度调查中，Python 超越了 R 成为数据科学家最常用的工具之一。
2018 年，有 66% 的数据科学家报告每天使用 Python 进行分析工作，使其成为专业人士的首选工具。

机器学习专家预计这种趋势将持续发展，并且随着 Python 生态系统的不断进步，这一趋势将会继续。虽然您刚开始学习 Python 编程语言，但很高兴知道就业机会丰富（并且还在增长）。

为什么使用 R 进行机器学习？
理解 R 是从事机器学习职业所需的重要技能之一。以下是您应该在 R 中学习机器学习的几个原因：
1. 它是顶级科技公司中流行的机器学习语言。几乎所有这些公司都招聘使用 R 的数据科学家。例如，Facebook 使用 R 对用户帖子的数据进行行为分析。Google 则利用 R 来评估广告效果并做出经济预测。此外，R 还被分析和咨询公司、银行和其他金融机构、学术机构和研究实验室以及几乎任何需要数据分析和可视化的领域所采用。
2. 学习数据科学基础知识在 R 中更容易。由于 R 是专门为数据操作和分析设计的，因此它具有强大的生态系统，包括包和其他资源，这些工具非常适合数据科学。
3. 强大的包使您的生活更轻松。因为 R 专门用于统计分析，所以它拥有一个出色的生态系统，其中包含许多优秀的包和其他资源，这使得数据科学家的工作更加高效。
4. 增长迅速的数据科学家和统计学家社区。随着数据科学领域的爆炸性增长，R 的使用也在快速增长（根据 StackOverflow 的数据），成为世界上发展最快的编程语言之一。这意味着您很容易找到问题的答案，并且在进行 R 项目时可以轻松获得社区的指导和支持。
5. 将另一种工具添加到您的工具箱中。没有一种语言适用于所有工作。将 R 添加到您的技能组合中，可以让某些项目变得更简单——当然也会使您成为更灵活和更具市场竞争力的员工。

数据挖掘、机器学习和深度学习之间有何区别？
简而言之，机器学习和数据挖掘使用相同的算法和技术进行数据挖掘，但预测类型不同。虽然数据挖掘发现以前未知的模式和知识，但机器学习复制已知的模式和知识，并进一步自动应用这些信息来处理数据、决策和行动。
另一方面，深度学习则利用高级计算能力和特殊类型的神经网络，并将其应用于大量数据中以识别复杂的模式。自动语言翻译和医学诊断是深度学习的应用实例。

本课程适合谁:

• 追求数据科学职业的人群
• 在职专业人士开始数据科学之旅
• 需要更多实践经验的统计学家