Scikit-learn Essentials: Mastering the scikit-learn Machine Learning Library for Python

[Vasquez]

Scikit-learn Essentials: Mastering the scikit-learn Machine Learning Library for Python by Dhiraj Kumar
English | 2019 | MP4 | Video: 720 | Subtitles: no | Duration: 1h 30m | 132 MB
Genre: eLearning | Language: English

La Instalación de Scikit-learn. El segundo video en el scikit-learn Serie describe la scikit-learn Instalación De Pasos. Scikit-learn requiere Python, NumPy y SciPy.

Pre-procesamiento de los Datos con Scikit-learn

sabe cómo utilizar una de las más populares de machine learning Bibliotecas de Python? Master scikit-learn a través de una Combinación de Discurso y hands-on (sobre Jupyter) en una de estas ocho piezas de video de la Serie:
Scikit-learn-Resumen. El primer vídeo en la scikit-learn Serie que explica la utilización de la scikit-learn y ofrece una visión general de su regresión, Clasificación y algoritmos de agrupamiento. La mayoría de scikit-learn está escrito en Python, pero algunos (allí donde se requiere un alto rendimiento que está escrito en Cython. Más información sobre el Núcleo de scikit-learn, los Estimadores de la API. Descubra por qué scikit-learn es fácil de usar y los cuatro Pasos a Seguir, con scikit-learn.
La Instalación de Scikit-learn. El segundo video en el scikit-learn Serie describe la scikit-learn Instalación De Pasos. Scikit-learn requiere Python, NumPy y SciPy.
La carga de los Conjuntos De Datos con Scikit-learn. El Tercer video en el scikit-learn-Serie muestra las tres Opciones para cargar Datos mediante el uso de scikit-learn. Más información sobre Sylearn que acepta los Datos, ya sea como numpy matriz o una Panda De trama de Datos.
Pre-procesamiento de Datos mediante el uso de Scikit-learn. En este cuarto video de la scikit-learn de la Serie, que explica cómo los Cambios de los Datos antes de alimentar los Datos en el Algoritmo. Aprender a sklearn, y los seis Pasos en el Preprocesamiento de los Datos: la Distancia media y la Varianza de la Escala, la transformación no-lineal, la Normalización, la Codificación kategorialer Características, Discretización y la imputación de Valores perdidos.
Desglose de los Datos en el Tren de Conjuntos y Conjuntos de pruebas en Scikit-learn. En este quinto vídeo en la scikit-learn Serie que muestra cómo realizar Tren de la Prueba De Split en scikit-learn. Descubra por qué es importante compartir Sus Datos en un juego de azar y de Manera eficaz. Aplicar los diferentes Parámetros, como test_size y train_size necesarios para realizar el Turno de la Prueba De Split.
La Regresión lineal con Scikit-learn. En este sexto video de la scikit-learn-Serie muestra cómo la regresión lineal en scikit-learn. La regresión lineal es un Modelo estadístico que se utiliza para la Búsqueda lineal de las Relaciones entre un Objetivo y una o más Predictores. Para obtener más Información acerca de cómo configurar las Variables dependientes y las Variables independientes y los dos Tipos de regresión lineal simple regresión lineal y regresión lineal múltiple). Vamos a explorar el R-Cuadrado estadístico de Medición y Root Mean Squared Error.
El naive Bayes con Scikit-learn. En este séptimo vídeo en la scikit-learn Serie se describe como el Ingenuo Bayesiano Clasificador en scikit-learn. Comprender el Concepto de Función, la Independencia y el Teorema De Bayes la Probabilidad.
SVM con Scikit-learn. El octavo vídeo en la scikit-learn-Serie muestra cómo las Máquinas De Vectores Soporte, bajo la Supervisión de machine learning Algoritmo en scikit-learn. SVM es una organización probabilisitic Clasificador De Modelo. Más información sobre SVM (Support Vector Machine), RAE (Support Vector de Regresión) y SVC (Support Vector Clustering).

DOWNLOAD
nitroflare

Contenido oculto. Ha de estar registrado, y pulsar el botón "Gracias" para visualizar sus enlaces de descarga.
Si trás registrarse todavía no visualiza el botón de "gracias", pulse la tecla F5, para refrescar la página.