¡Nuevo! Actualizado para 2020 con contenido adicional sobre ingeniería de funciones, técnicas de regularización y ajuste de redes neuronales, ¡así como Tensorflow .0! El aprendizaje automático y la inteligencia artificial (IA) están en todas partes; Si desea saber cómo empresas como Google, Amazon e incluso Udemy extraen significado y conocimientos de conjuntos de datos masivos, este curso de ciencia de datos le brindará los fundamentos que necesita.

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 los científicos de datos reales y los profesionales del aprendizaje automático en la industria de la tecnología, y lo preparará para avanzar hacia esta carrera profesional.

Este tutorial completo de aprendizaje automático incluye más de 100 lecciones que abarcan 14 horas de video, y la mayoría de los temas incluyen ejemplos prácticos de código de Python que puede usar como referencia y para practicar.

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 la confusión de la notación matemática y la jerga.

Luego se demuestra usando código Python con el que puede experimentar y desarrollar, junto con notas que puede guardar 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.

Al final, se le dará un proyecto final para aplicar lo que ha aprendido.

Los temas de este curso provienen de un análisis de los requisitos reales en las listas de trabajo de científicos de datos de los principales empleadores de tecnología.

Cubriremos las técnicas de aprendizaje automático, inteligencia artificial y minería de datos que buscan los empleadores reales, que incluyen: aprendizaje profundo / redes neuronales (MLP, CNN, RNN ' s) con TensorFlow y KerasVisualización de datos en Python con MatPlotLib y SeabornTransfer LearningAnálisis de sentimientoReconocimiento y clasificación de imágenesAnálisis de regresión Clustering de K-MeansAnálisis de componentes principalesTrain / Test y validación cruzadaMétodos bayesianosÁrboles de decisión y bosques aleatoriosRegresión múltiple / Frecuencia inversa de documentos Diseño experimental y pruebas A / B Ingeniería de características Ajuste de hiperparámetros.

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

Y también tendrás acceso al grupo de Facebook de este curso, donde puedes mantenerte en contacto con tus compañeros de clase.

Si es nuevo en Python, no se preocupe: el curso comienza con un curso intensivo.

Si ha hecho algo de programación antes, debería empezar a hacerlo rápidamente.

Este curso le muestra cómo configurar su PC con Microsoft Windows, computadoras de escritorio Linux y Mac.

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

Estos son temas que cualquier tecnólogo exitoso necesita conocer, así que, ¿a qué estás esperando? ¡Inscríbete ahora! "Comencé a hacer tu curso en 201. Con el tiempo me interesé y nunca pensé que trabajaría para una empresa antes de que un amigo me ofreciera este trabajo.

Estoy aprendiendo mucho que era imposible de aprender en la academia y disfrutándolo a fondo.

Para mí, su curso es el que me ayudó a entender cómo trabajar con problemas corporativos.

Cómo pensar para tener éxito en la investigación de IA corporativa.

Te encuentro el instructor más impresionante de ML, simple pero convincente ".

Kanad Basu, PhD