[C] The Data Science Course 2021: Complete Data Science Bootcamp

The Data Science Course 2021: Complete Data Science Bootcamp

English | MP4 | AVC 1280×720 | AAC 44KHz 2ch | 28.5 Hours | 15.3 GB

Pelatihan Sains Data Lengkap: Matematika, Statistik, Python, Statistik Lanjut dengan Python, Mesin & Pembelajaran Mendalam.

Masalah :

Ilmuwan data adalah salah satu profesi paling cocok untuk berkembang abad ini. Ini digital, berorientasi pada pemrograman, dan analitis. Oleh karena itu, tidak mengherankan jika permintaan akan data scientist meningkat tajam di pasar kerja.

Namun, pasokannya sangat terbatas. Sulit untuk memperoleh keterampilan yang diperlukan untuk dipekerjakan sebagai ilmuwan data.

Dan bagaimana Anda bisa melakukannya ?

Universitas lambat dalam membuat program ilmu data khusus. (belum lagi yang ada sangat mahal dan memakan waktu)

Sebagian besar kursus online berfokus pada topik tertentu dan sulit untuk memahami bagaimana keterampilan yang mereka ajarkan sesuai dengan gambaran yang lengkap

Solusinya :

Ilmu data adalah bidang multidisiplin. Ini mencakup berbagai topik.

Memahami bidang ilmu data dan jenis analisis yang dilakukan
Matematika
Statistik
Python
Menerapkan teknik statistik tingkat lanjut dengan Python
Visualisasi data
Pembelajaran mesin
Pembelajaran Mendalam

Masing-masing topik ini dibangun di atas topik sebelumnya. Dan Anda berisiko tersesat di sepanjang jalan jika Anda tidak memperoleh keterampilan ini dalam urutan yang benar. Misalnya, seseorang akan kesulitan dalam penerapan teknik Pembelajaran Mesin sebelum memahami Matematika yang mendasarinya. Atau, mempelajari analisis regresi dengan Python bisa sangat melelahkan sebelum mengetahui apa itu regresi.

Maka, dalam upaya menciptakan pelatihan sains data yang paling efektif, efisien waktu, dan terstruktur yang tersedia secara online, kami membuat The Data Science Course 2020.

Kami yakin ini adalah program pelatihan pertama yang memecahkan tantangan terbesar untuk memasuki bidang ilmu data - memiliki semua sumber daya yang diperlukan di satu tempat.

Selain itu, fokus kami adalah mengajarkan topik yang mengalir dengan lancar dan saling melengkapi. Kursus ini mengajarkan Anda semua yang perlu Anda ketahui untuk menjadi ilmuwan data dengan biaya yang sangat murah dari program tradisional (belum lagi jumlah waktu yang akan Anda hemat).

Keterampilan

1. Pengantar Ilmu Data dan Data

Data besar, kecerdasan bisnis, analitik bisnis, pembelajaran mesin, dan kecerdasan buatan. Kita tahu kata kunci ini termasuk dalam bidang ilmu data, tetapi apa artinya semua itu?

Mengapa mempelajarinya? Sebagai calon data scientist, Anda harus memahami seluk beluk masing-masing bidang ini dan mengenali pendekatan yang tepat untuk memecahkan suatu masalah. 'Pengantar ilmu data dan data' ini akan memberi Anda gambaran menyeluruh tentang semua kata kunci ini dan di mana mereka cocok dalam bidang ilmu data.

2. Matematika

Mempelajari alat adalah langkah pertama untuk melakukan ilmu data. Anda harus melihat gambaran besarnya terlebih dahulu untuk kemudian memeriksa bagian-bagiannya secara mendetail.

Kami melihat secara rinci secara khusus pada kalkulus dan aljabar linier karena mereka bergantung pada subbidang ilmu data.

Mengapa mempelajarinya?

Kalkulus dan aljabar linier sangat penting untuk pemrograman dalam ilmu data. Jika Anda ingin memahami algoritme pembelajaran mesin tingkat lanjut, Anda memerlukan keterampilan ini di gudang senjata Anda.

3. Statistik

Anda perlu berpikir seperti ilmuwan sebelum Anda bisa menjadi ilmuwan. Statistik melatih pikiran Anda untuk membingkai masalah sebagai hipotesis dan memberi Anda teknik untuk menguji hipotesis ini, seperti seorang ilmuwan.

Mengapa mempelajarinya?

Kursus ini tidak hanya memberi Anda alat yang Anda butuhkan tetapi juga mengajarkan Anda cara menggunakannya. Statistik melatih Anda untuk berpikir seperti ilmuwan.

4. Python

Python adalah bahasa pemrograman yang relatif baru dan, tidak seperti R, ini adalah bahasa pemrograman untuk keperluan umum. Anda bisa melakukan apa saja dengannya! Aplikasi web, permainan komputer, dan ilmu data adalah beberapa di antara banyak kemampuannya. Itu sebabnya, dalam kurun waktu yang singkat telah berhasil mengganggu banyak disiplin ilmu. Perpustakaan yang sangat kuat telah dikembangkan untuk memungkinkan manipulasi, transformasi, dan visualisasi data. Di mana Python benar-benar bersinar, adalah ketika berurusan dengan mesin dan pembelajaran mendalam.

Mengapa mempelajarinya?

Dalam hal pengembangan, penerapan, dan penerapan model pembelajaran mesin melalui kerangka kerja yang kuat seperti scikit-learn, TensorFlow, dll, Python adalah bahasa pemrograman yang harus dimiliki.

5. Tableau

Ilmu data tidak hanya perlu menangani data dan memecahkan masalah yang didorong oleh data. Mereka juga perlu meyakinkan eksekutif perusahaan tentang keputusan yang tepat untuk diambil. Para eksekutif ini mungkin tidak berpengalaman dalam ilmu data, sehingga data scientist harus mampu menyajikan dan memvisualisasikan cerita data dengan cara yang mereka pahami. Di situlah Tableau berperan - dan kami akan membantu Anda menjadi pencerita ahli menggunakan perangkat lunak visualisasi terkemuka dalam intelijen bisnis dan ilmu data.

Mengapa mempelajarinya?

Seorang ilmuwan data mengandalkan alat intelijen bisnis seperti Tableau untuk mengomunikasikan hasil yang kompleks kepada pembuat keputusan non-teknis.

6. Statistik Lanjut

Regresi, pengelompokan, dan analisis faktor adalah semua disiplin ilmu yang ditemukan sebelum pembelajaran mesin. Namun, sekarang semua metode statistik ini dilakukan melalui pembelajaran mesin untuk memberikan prediksi dengan akurasi yang tak tertandingi. Bagian ini akan membahas teknik ini secara mendetail.

Mengapa mempelajarinya?

Ilmu data adalah tentang pemodelan prediktif dan Anda bisa menjadi ahli dalam metode ini melalui bagian 'statistik lanjutan' ini.

7. Pembelajaran Mesin

Bagian akhir dari program ini dan apa yang menjadi tujuan setiap bagian adalah pembelajaran yang mendalam. Mampu menggunakan mesin dan pembelajaran mendalam dalam pekerjaan mereka adalah hal yang sering membedakan data scientist dari data analyst. Bagian ini membahas semua teknik machine learning umum dan metode deep learning dengan TensorFlow.

Apa yang akan Anda pelajari ?

Kursus ini menyediakan seluruh kotak alat yang Anda butuhkan untuk menjadi ilmuwan data
Isi resume Anda dengan keterampilan sains data permintaan: Analisis statistik, pemrograman Python dengan NumPy, pandas, matplotlib, dan Seaborn, Analisis statistik lanjutan, Tableau,
Machine Learning dengan model statistik dan scikit-learn, Deep learning dengan TensorFlow
Buat pewawancara terkesan dengan menunjukkan pemahaman tentang bidang ilmu data
Pelajari cara memproses data sebelumnya
Memahami matematika di balik Pembelajaran Mesin (suatu keharusan mutlak yang tidak diajarkan kursus lain!)
Mulai coding dengan Python dan pelajari cara menggunakannya untuk analisis statistik
Lakukan regresi linier dan logistik dengan Python
Lakukan analisis cluster dan faktor
Mampu membuat algoritme Pembelajaran Mesin dengan Python, menggunakan NumPy, statsmodels, dan scikit-learn
Terapkan keterampilan Anda pada kasus bisnis kehidupan nyata
Gunakan kerangka kerja Deep Learning yang canggih seperti Google TensorFlowMengembangkan intuisi bisnis sambil membuat kode dan menyelesaikan tugas dengan big data
Terungkap kekuatan jaringan neural dalam
Tingkatkan algoritme Machine Learning dengan mempelajari underfitting, overfitting, pelatihan, validasi, validasi silang n-fold, pengujian, dan bagaimana hyperparameter dapat meningkatkan performa
Hangatkan jari-jari Anda karena Anda ingin sekali menerapkan semua yang telah Anda pelajari di sini ke lebih banyak situasi kehidupan nyata

Daftar isi

Bagian 1 Pendahuluan
1 Contoh Praktis Apa yang Akan Anda Pelajari dalam Kursus Ini
2 Apa yang Dicakup Kursus
3 Unduh Semua Sumber Daya dan FAQ Penting
Bidang Ilmu Data - Berbagai Disiplin Ilmu Data
4 Ilmu Data dan Kata Kunci Bisnis Mengapa Ada Begitu Banyak
5 Apa perbedaan antara Analisis dan Analisis
6 Analisis Bisnis, Analisis Data, dan Ilmu Data Pengantar
7 Melanjutkan dengan BI, ML, dan AI
8 Rincian Infografis Ilmu Data kami
Bidang Ilmu Data - Menyambung Disiplin Ilmu Data
9 Penerapan Data Tradisional, Big Data, BI, Ilmu Data Tradisional dan ML
Bidang Ilmu Data - Manfaat Setiap Disiplin
10 Alasan Dibalik Disiplin Ini
Bidang Ilmu Data - Teknik Ilmu Data Populer
11 Teknik untuk Bekerja dengan Data Tradisional
12 Contoh Kehidupan Nyata dari Data Tradisional
13 Teknik untuk Bekerja dengan Big Data
14 Contoh Kehidupan Nyata dari Big Data
15 Teknik Business Intelligence (BI)
16 Contoh Kehidupan Nyata dari Business Intelligence (BI)
17 Teknik untuk Bekerja dengan Metode Tradisional
18 Contoh Kehidupan Nyata Metode Tradisional
19 Teknik Machine Learning (ML)
20 Jenis Machine Learning
21 Kehidupan Nyata Contoh Machine Learning (ML)
Bidang Ilmu Data - Alat Ilmu Data Populer
22 Bahasa Pemrograman yang Diperlukan dan Perangkat Lunak yang Digunakan dalam Ilmu Data
Bidang Ilmu Data - Karir di Ilmu Data
23 Menemukan Pekerjaan - Apa yang Diharapkan dan Apa yang Dicari
Bidang Ilmu Data - Membongkar Kesalahpahaman Umum
24 Membongkar Kesalahpahaman Umum
Bagian 2 Probabilitas
25 Rumus Probabilitas Dasar
26 Menghitung Nilai yang Diharapkan
27 Frekuensi
28 Peristiwa dan Penyelesaiannya
Probabilitas - Kombinatorika
29 Dasar-dasar Kombinatorika
30 Permutasi dan Cara Menggunakannya
31 Operasi Sederhana dengan Faktorial
32 Memecahkan Variasi dengan Pengulangan
33 Memecahkan Variasi tanpa Pengulangan
34 Memecahkan Kombinasi
35 Simetri Kombinasi
36 Menyelesaikan Kombinasi dengan Ruang Sampel Terpisah
37 Kombinatorika dalam Kehidupan Nyata Lotere
38 Rekapitulasi Kombinatorik
39 Contoh Praktis Kombinatorik
Probabilitas - Inferensi Bayesian
40 Himpunan dan Peristiwa
41 Cara Himpunan Dapat Berinteraksi
42 Perpotongan Himpunan
43 Gabungan Himpunan
44 Himpunan Saling Eksklusif
45 Ketergantungan dan Kemandirian Himpunan
46 Rumus Probabilitas Bersyarat
47 Hukum Probabilitas Total
48 Aturan Aditif
49 Hukum Perkalian
50 Hukum Bayes
51 Contoh Praktis dari Inferensi Bayes
Probabilitas - Distribusi
52 Dasar-dasar Distribusi Probabilitas
53 Jenis Distribusi Probabilitas
54 Karakteristik Distribusi Diskrit
55 Distribusi Diskrit Distribusi Seragam
56 Distribusi Diskrit Distribusi Bernoulli
57 Distribusi Diskrit Distribusi Binomial
58 Distribusi Diskrit Distribusi Poisson
59 Karakteristik Distribusi
Berkelanjutan 60 Distribusi Kontinu Distribusi Normal
61 Distribusi Kontinu Distribusi Normal Standar
62 Distribusi Kontinu Distribusi T Siswa
63 Distribusi Berkelanjutan Distribusi Chi-Squared
64 Distribusi Berkelanjutan Distribusi Eksponensial
65 Distribusi Berkelanjutan Distribusi Logistik
66 Contoh Praktis Distribusi Probabilitas
Probabilitas - Probabilitas di Bidang Lain
67 Probabilitas dalam Keuangan
68 Probabilitas dalam Statistik
69 Probabilitas dalam Ilmu Data
Bagian 3 Statistik
70 Populasi dan Sampel
Statistik - Statistik Deskriptif
71 Jenis Data
72 Tingkat Pengukuran
73 Variabel Kategorikal - Teknik Visualisasi
74 Variabel Kategorikal Latihan
75 Variabel Numerik - Distribusi Frekuensi Tabel
76 Variabel Numerik Latihan
77 Histogram
78 Latihan Histogram
79 Tabel Silang dan Plot Sebar
80 Tabel Silang dan Sebar Latihan Plot
81 Latihan Mean, median dan mode
82 Latihan Mean, Median dan Mode
83 Skewness
84 Latihan Skewness
85 Varians
86 Latihan Varians
87 Standar Deviasi dan Koefisien Variasi
88 Latihan Deviasi Standar dan Koefisien Variasi
89 Kovarian
90 Latihan Kovarian
91 Koefisien
Korelasi 92 Latihan Koefisien Korelasi
Statistika - Contoh Praktek Statistik Deskriptif
93 Contoh Praktek Statistika Deskriptif
94 Contoh Praktek Statistika Deskriptif Latihan
Statistik - Dasar-dasar Statistik Inferensial
95 Pendahuluan
96 Apa itu Distribusi
97 Distribusi Normal
98 Distribusi Normal Standar
99 Latihan Distribusi Normal Standar
100 Teorema Batas Pusat
101 Kesalahan standar
102 Estimator dan Estimasi
Statistik - Statistik Inferensial Interval Keyakinan
103 Apa itu Interval
Keyakinan 104 Interval Keyakinan; Varians Populasi Diketahui; Skor-Z
105 Interval Keyakinan; Varians Populasi Diketahui; Skor-Z; Latihan
106 Klarifikasi Interval Keyakinan
107 Distribusi T Siswa
108 Interval Keyakinan; Varians Populasi Tidak Diketahui; T-skor
109 Interval Keyakinan; Varians Populasi Tidak Diketahui; Skor-T; Latihan
110 Margin of Error
111 Confidence interval. Dua cara. Sampel bergantung
112 Interval kepercayaan. Dua cara. Sampel dependen Latihan
113 Interval keyakinan. Dua cara. Sampel Independen (Bagian 1)
114 Interval kepercayaan. Dua cara. Sampel Independen (Bagian 1). Latihan
115 Interval kepercayaan. Dua cara. Sampel Independen (Bagian 2)
116 Interval keyakinan. Dua cara. Sampel Independen (Bagian 2). Latihan
117 Interval kepercayaan. Dua cara. Sampel Independen (Bagian 3)
Statistik - Contoh Praktis Statistik Inferensial
118 Contoh Praktis Statistik Inferensial
119 Contoh Praktis Latihan Statistik Inferensial
Statistik - Pengujian Hipotesis
120 Null vs Hipotesis Alternatif
121 Bacaan Lebih Lanjut tentang Hipotesis Nol dan Alternatif
122 Wilayah Penolakan dan Tingkat Signifikansi
123 Kesalahan Tipe I dan Kesalahan Tipe II
124 Uji Mean. Varians Populasi yang Diketahui
125 Uji Mean. Varians Populasi Latihan
126 Nilai-p
127 Uji Rata-rata. Varians Populasi Tidak Diketahui
128 Uji Mean. Latihan
129 Uji Varians Populasi untuk Mean. Sampel Dependen
130 Menguji Mean. Sampel Dependen Latihan
131 Uji mean. Sampel Independen (Bagian 1)
132 Uji mean. Sampel Independen (Bagian 1). Olahraga
133 Uji mean. Sampel Independen (Bagian 2)
134 Uji mean. Sampel Independen (Bagian 2). Olahraga
Statistika - Contoh Praktis Pengujian Hipotesis
135 Contoh Praktis Pengujian Hipotesis
136 Latihan Pengujian Hipotesis Contoh Praktis
Bagian 4 Pengenalan Python
137 Pengenalan Pemrograman
138 Mengapa Python
139 Mengapa Jupyter
140 Menginstal Python dan Jupyter
141 Memahami Antarmuka Jupyter - Dasbor Notebook
142 Prasyarat untuk Coding di Notebook Jupyter
Python - Variabel dan Jenis Data
143 Variabel
144 Angka dan Nilai Boolean dalam Python
145 String Python
Python - Sintaks Dasar Python
146 Menggunakan Operator Aritmatika dengan Python
147 Tanda Kesetaraan Ganda
148 Cara Menetapkan Kembali Nilai
149 Tambahkan Komentar
150 Memahami Kelanjutan Garis
151 Elemen Pengindeksan
152 Menyusun dengan Indentasi
Python - Operator Python Lainnya
153 Operator Pembanding
154 Operator Logis dan Identitas
Python - Pernyataan Bersyarat
155 Pernyataan IF
156 Pernyataan ELSE
157 Pernyataan ELIF
158 Catatan tentang Nilai Boolean
Python - Fungsi Python
159 Mendefinisikan Fungsi dengan Python
160 Cara Membuat Fungsi dengan Parameter
161 Mendefinisikan Fungsi dengan Python - Bagian II
162 Cara Menggunakan Fungsi dalam Fungsi
163 Pernyataan Bersyarat dan Fungsi
164 Fungsi yang Mengandung Beberapa Argumen
165 Dibangun Fungsi -dalam Python
Python - Urutan
166 Daftar
167 Menggunakan Metode
168 Slicing Daftar
169 Tuple
170 Kamus
Python - Iterasi
171 Untuk Loops
172 While Loops dan Incrementing
173 Daftar dengan range () Fungsi
174 Pernyataan Bersyarat dan Loop
175 Pernyataan, Fungsi, dan Loop Bersyarat
176 Cara Iterasi di Kamus
Python - Alat Python Tingkat Lanjut
177 Pemrograman Berorientasi Objek
178 Modul dan Paket
179 Apa Perpustakaan Standar
180 Mengimpor Modul dengan Python
Bagian 5 Metode Statistik Lanjut dengan Python
181 Pengantar Analisis Regresi
Metode Statistik Lanjut - Regresi Linier dengan StatsModels
182 Model Regresi Linier
183 Korelasi vs Regresi
184 Representasi Geometris Model Regresi Linier
185 Instalasi Paket Python
186 Regresi Pertama dengan Python
187 Regresi Pertama dengan Python Latihan
188 Menggunakan Seaborn untuk Grafik
189 Cara Menafsirkan Tabel Regresi
190 Dekomposisi Variabilitas
191 Apa OLS
192 R-Squared
Metode Statistik Lanjut - Regresi Linier Berganda dengan Model Stat
193 Regresi Linier Berganda
194 R-Squared Disesuaikan
195 Latihan Regresi Linier Berganda
196 Uji Signifikansi Model (Uji-F)
197 Asumsi OLS
198 A1 Linearitas
199 A2 Tanpa Endogenitas
200 A3 Normalitas dan Homoskedastisitas
201 A4 Tanpa Autokorelasi
202 A5 Tanpa Multikolinearitas
203 Menangani Data Kategoris - Variabel Dummy
204 Menangani Data Kategorikal - Variabel Dummy
205 Membuat Prediksi dengan Regresi Linear
Metode Statistik Lanjut - Regresi Linier dengan sklearn
206 Apa itu sklearn dan Apa Bedanya dengan Paket Lain
207 Bagaimana Kita Mendekati Bagian Ini
208 Regresi Linier Sederhana dengan sklearn
209 Regresi Linier Sederhana dengan sklearn - Ringkasan Mirip StatsModels Tabel
210 A Catatan Normalisasi
211 Regresi Linier Sederhana dengan sklearn - Latihan
212 Regresi Linier Berganda dengan sklearn
213 Menghitung Adjusted R-Squared di sklearn
214 Menghitung Adjusted R-Squared di sklearn - Latihan
215 Pemilihan Fitur (Regresi F)
216 Catatan Perhitungan dari nilai-P dengan sklearn
217 Membuat Tabel Ringkasan dengan nilai-P
218 Regresi Linear Berganda - Latihan
219 Penskalaan Fitur (Standardisasi)
220 Pemilihan Fitur melalui Standarisasi Bobot
221 Memprediksi dengan Koefisien Standar
222 Penskalaan Fitur (Standardisasi) - Latihan
223 Underfitting dan Overfitting
224 Train - Test Split Dijelaskan
Metode Statistik Lanjut - Contoh Praktis Regresi Linier
225 Contoh Praktis Regresi Linier (Bagian 1)
226 Contoh Praktis Regresi Linier (Bagian 2)
227 Catatan tentang Multikolinieritas
228 Contoh Praktis Regresi Linier (Bagian 3)
229 Faktor Inflasi Dummies dan Varians - Latihan
230 Praktis Contoh Regresi Linier (Bagian 4)
231 Variabel Dummy - Latihan
232 Contoh Praktis Regresi Linier (Bagian 5)
233 Regresi Linier - Latihan
Metode Statistik Lanjut - Regresi Logistik
234 Pengantar Regresi Logistik
235 Contoh Sederhana dengan Python
236 Logistik vs Fungsi Logit
237 Membangun Regresi Logistik
238 Membangun Regresi Logistik - Latihan
239 Tip Pengkodean yang Tak Berharga
240 Memahami Tabel Regresi Logistik
241 Memahami Tabel Regresi Logistik - Latihan
242 Apa Arti Peluang Sebenarnya
243 Prediktor Biner dalam Regresi Logistik
244 Prediktor Biner dalam Regresi Logistik - Latihan
245 Menghitung Akurasi Model
246 Menghitung Akurasi Model
247 Underfitting dan Overfitting
248 Menguji Model
249 Menguji Model - Latihan
Metode Statistik Lanjut - Analisis Cluster
250 Pengantar Analisis Cluster
251 Beberapa Contoh Cluster
252 Perbedaan antara Klasifikasi dan Clustering
253 Prasyarat Matematika
Metode Statistik Lanjut - K-Means Clustering
254 K-Means Clustering
255 Contoh Sederhana Clustering
256 Contoh Sederhana Clustering - Latihan
257 Clustering Data Kategorikal
258 Clustering Categorical Data - Latihan
259 Bagaimana Memilih Jumlah Cluster
260 Cara Memilih Jumlah Cluster - Latihan
261 Pro dan Kontra K-Means Clustering
262 Standarisasi atau Tidak Standarisasi
263 Hubungan Clustering dan Regresi
264 Segmentasi Pasar dengan Analisis Cluster (Bagian 1)
265 Segmentasi Pasar dengan Analisis Cluster (Bagian 2)
266 Bagaimana Clustering Berguna
267 LATIHAN Segmentasi Spesies dengan Analisis Cluster (Bagian 1)
268 LATIHAN Segmentasi Spesies dengan Analisis Klaster (Bagian 2)
Metode Statistik Lanjut - Jenis Pengelompokan Lainnya
269 Jenis Pengelompokan
270 Dendrogram
271 Peta Panas
Bagian 6 Matematika
272 Apa Itu Matriks
273 Skalar dan Vektor
274 Aljabar Linear dan Geometri
275 Array dengan Python - Cara yang Nyaman untuk Mewakili Matriks
276 Apa itu Tensor
277 Penjumlahan dan Pengurangan Matriks
278 Kesalahan saat Menambahkan Matriks
279 Transposisi Matriks
280 Perkalian Titik
281 Perkalian Titik dari Matriks
282 Mengapa Aljabar Linier Berguna
Bagian 7 Pembelajaran Mendalam
283 Apa yang Diharapkan dari Bagian ini
Pembelajaran Mendalam - Pengantar Jaringan Saraf
284 Pengantar Jaringan Saraf
285 Melatih Model
286 Jenis Pembelajaran Mesin
287 Model Linier (Versi Aljabar Linier)
288 Model Linier dengan Input Ganda
289 Model Linier dengan Input Ganda dan Output Ganda
290 Representasi Grafis Jaringan Neural Sederhana
291 Apa Fungsi Tujuan
292 Fungsi Tujuan Umum Kerugian L2-norma
293 Fungsi Tujuan Umum Kerugian Cross-Entropi
294 Algoritma Optimasi 1-Parameter Gradient Descent
295 Optimization Algorithm n-Parameter Gradient Descent
Deep Learning - Cara Membangun Jaringan Neural dari Awal dengan NumPy
296 Contoh NN Dasar (Bagian 1)
297 Contoh NN Dasar (Bagian 2)
298 Contoh NN Dasar (Bagian 3)
299 Contoh NN Dasar (Bagian 4)
300 Latihan Contoh NN Dasar
Deep Learning - TensorFlow 2.0 Pendahuluan
301 Cara Memasang TensorFlow 2.0
302 Garis Besar TensorFlow dan Perbandingannya dengan Library Lain
303 TensorFlow 1 vs TensorFlow 2
304 Catatan tentang TensorFlow 2 Sintaks
305 Jenis Format File yang Mendukung TensorFlow
306 Menguraikan Model dengan TensorFlow 2
307 Menafsirkan Hasil dan Ekstraksi Bobot dan Bias
308 Menyesuaikan TensorFlow 2 Model
309 Basic NN dengan Latihan TensorFlow
Deep Learning - Menggali Lebih Dalam NN Memperkenalkan Deep Neural Networks
310 Apa itu Layer
311 Apa itu Deep Net
312 Menggali Deep Net
313 Non-Linearitas dan Tujuannya
314 Fungsi
Aktivasi 315 Fungsi Aktivasi Aktivasi Softmax
316 Backpropagation
317 Backpropagation Gambar
318 Backpropagation - Mengintip Matematika Optimasi
Deep Learning - Overfitting
319 Apa itu Overfitting
320 Underfitting dan Overfitting untuk Klasifikasi
321 Apa itu Validasi
322 Training, Validation, dan Test Datasets
323 N-Fold Cross Validation
324 Early Stopping atau When to Stop Training
Deep Learning - Inisialisasi
325 Apa itu Inisialisasi
326 Jenis Inisialisasi Sederhana
327 Metode State-of-the-Art - (Xavier) Inisialisasi Glorot
Deep Learning - Menggali Penurunan Gradien dan Jadwal Kecepatan Pembelajaran
328 Stochastic Gradient Descent
329 Masalah dengan Penurunan Gradien
330 Momentum
331 Jadwal Kecepatan Pembelajaran, atau Cara Memilih Kecepatan Pembelajaran Optimal
332 Jadwal
Kecepatan Pembelajaran Divisualisasikan 333 Jadwal Kecepatan Pembelajaran Adaptif (AdaGrad dan RMSprop)
334 Adam (Estimasi Momen Adaptif)
Deep Learning - Preprocessing
335 Preprocessing Pendahuluan
336 Jenis Preprocessing Dasar
337 Standardisasi
338 Preprocessing Data Kategoris
339 Binary and One-Hot Encoding
Pembelajaran Mendalam - Mengklasifikasikan pada Set Data MNIST
340 MNIST Set Data
341 MNIST Cara Mengatasi MNIST
342 MNIST Mengimpor Paket yang Relevan dan Memuat Data
343 MNIST Memproses Datanya - Membuat Set Validasi dan
Menskalakannya 344 MNIST Memproses Data - Menskala Data Uji Data - Latihan
345 MNIST Memproses Data - Shuffle dan Batch
346 MNIST Memproses Data - Shuffle dan Batch - Latihan
347 MNIST Garis Besar Model
348 MNIST Pilih Rugi dan Pengoptimal
349 MNIST Pembelajaran
350 MNIST - Latihan
351 MNIST Menguji Model
Pembelajaran Mendalam - Contoh Kasus Bisnis
352 Kasus Bisnis Menjelajahi Set Data dan Mengidentifikasi Prediktor
353 Kasus Bisnis Menjabarkan Solusi
354 Kasus Bisnis Menyeimbangkan Set Data
355 Kasus Bisnis Memproses Data
356 Kasus Bisnis Memproses Data - Latihan
357 Kasus Bisnis Memuat Data Diproses
358 Bisnis Kasus Memuat Data yang Diproses - Latihan
359 Pembelajaran Kasus Bisnis dan Menafsirkan Hasil
360 Kasus Bisnis Menetapkan Mekanisme Penghentian Dini
361 Menetapkan Mekanisme Penghentian Dini - Latihan
362 Kasus Bisnis Menguji Model
363 Kasus Bisnis Latihan Akhir
Deep Learning - Kesimpulan
364 Ringkasan tentang Apa yang Telah Anda Pelajari
365 Apa Lebih Jauh di Luar sana dalam hal Machine Learning
366 DeepMind dan Deep Learning
367 Ikhtisar CNN
368 Ikhtisar RNN
369 Ikhtisar Pendekatan non-NN
Lampiran Deep Learning - TensorFlow 1 Pendahuluan
370 BACA SAYA !!!!
371 Cara Memasang TensorFlow 1
372 Catatan tentang Memasang Paket di Anaconda
373 TensorFlow Intro
374 Pengantar Aktual TensorFlow
375 Jenis Format File, mendukung Tensor
376 Contoh NN Dasar dengan Input TF, Output, Target, Bobot, Bias
377 Contoh NN Dasar dengan TF Loss Function dan Gradient Descent
378 Contoh NN Dasar dengan Output Model TF
379 Contoh NN Dasar dengan Latihan TF
Lampiran Deep Learning - TensorFlow 1 Klasifikasi pada Kumpulan Data MNIST
380 MNIST Apa itu Set Data MNIST
381 MNIST Cara Menangani
Paket Relevan MNIST 382 MNIST
383 Garis Besar Model
MNIST 384 Algoritma Pengoptimalan dan Kerugian MNIST
385 Menghitung Akurasi Model
386 MNIST Batching dan
Penghentian Dini 387 Pembelajaran MNIST
388 Hasil dan Pengujian
MNIST 389 Latihan
MNIST 390 Solusi MNIST
Lampiran Jauh Belajar - TensorFlow 1 Kasus Bisnis
391 Kasus Bisnis Mendapatkan Mengenal dengan Dataset
392 Kasus Bisnis Garis Solusi
393 Pentingnya Kerja dengan Seimbang Dataset
394 Kasus Bisnis Preprocessing
395 Kasus Bisnis Preprocessing Latihan
396 Membuat Penyedia Data
397 Kasus Bisnis Model Garis Besar
398 Pengoptimalan Kasus Bisnis
399 Interpretasi Kasus Bisnis
400 Uji Kasus Bisnis Model
401 Kasus Bisnis Komentar tentang Pekerjaan Rumah
Latihan Akhir Kasus Bisnis 402
Integrasi Perangkat Lunak
403 Apa itu Data, Server, Klien, Permintaan, dan Respons
404 Apa itu Konektivitas Data, API, dan Titik Akhir
405 Mencermati API
406 Komunikasi antara Produk Perangkat Lunak melalui File Teks
407 Integrasi Perangkat Lunak - Dijelaskan
Studi Kasus - Apa Selanjutnya dalam Kursus
408 Game Plan untuk Python, SQL, dan Tableau Business Exercise
409 Tugas Bisnis
410 Memperkenalkan Kumpulan Data
Studi Kasus - Memproses 'Data Ketidakhadiran'
411 Apa yang Diharapkan dari Bagian Berikut
412 Mengimpor Data Ketidakhadiran dengan Python
413 Memeriksa Isi Kumpulan Data
414 Pengantar Istilah dengan Banyak Arti
415 Apa Analisis Regresi - Penyegaran Cepat
416 Menggunakan a Pendekatan Statistik menuju Solusi untuk Latihan
417 Menjatuhkan Kolom dari DataFrame dengan Python
418 LATIHAN - Menjatuhkan Kolom dari DataFrame dengan Python
419 SOLUSI - Menjatuhkan Kolom dari DataFrame dengan Python
420 Menganalisis Alasan Absen
421 Memperoleh Dummies dari a Fitur Tunggal
422 LATIHAN - Memperoleh Dummies dari Fitur Tunggal
423 SOLUSI - Mendapatkan Dummies dari Fitur Tunggal
424 Menghapus Variabel Dummy dari Kumpulan Data
425 Lebih Lanjut tentang Variabel Dummy Perspektif Statistik
426 Mengklasifikasikan Berbagai Alasan Ketidakhadiran
427 Menggunakan .concat () dengan Python
428 LATIHAN - Menggunakan .concat () di Python
429 SOLUSI - Menggunakan .concat () dengan Python
430 Menyusun Ulang Kolom di Pandas DataFrame dengan Python
431 LATIHAN - Menyusun Ulang Kolom di Pandas DataFrame dengan Python
432 SOLUSI - Menyusun Ulang Kolom di Pandas DataFrame dengan Python
433 Membuat Pos Pemeriksaan saat Coding di Jupyter
434 LATIHAN - Membuat Checkpoints saat Coding di Jupyter
435 SOLUSI - Membuat Checkpoints saat Coding di Jupyter
436 Menganalisis Tanggal dari Kumpulan Data Awal
437 Mengekstrak Nilai Bulan dari Kolom Tanggal
438 Mengekstrak Hari dalam Seminggu dari Kolom Tanggal
439 LATIHAN - Menghapus Kolom Tanggal
440 Menganalisis Beberapa Kolom Langsung untuk Latihan ini
441 Bekerja pada Pendidikan, Anak-anak , dan Hewan
442 Keterangan Akhir Bagian ini
443 Catatan tentang Mengekspor Data Anda sebagai File .csv
Studi Kasus - Menerapkan Pembelajaran Mesin untuk Membuat 'modul absensi'
444 Menjelajahi Masalah dengan Pola Pikir Pembelajaran Mesin
445 Membuat Target untuk Regresi Logistik
446 Memilih Input untuk Regresi Logistik
447 Standarisasi Data
448 Memisahkan Data untuk Pelatihan dan Pengujian
449 Menyesuaikan Model dan Menilai Akurasinya
450 Membuat Tabel Ringkasan dengan Koefisien dan Intercept
451 Menafsirkan Koefisien untuk Masalah Kita
452 Standarisasi Variabel Numerik (Membuat Skala Kustom)
453 Menafsirkan Koefisien Regresi Logistik
454 Eliminasi Mundur atau Bagaimana untuk Menyederhanakan Model Anda
455 Menguji Model yang Kami Buat
456 Menyimpan Model dan Mempersiapkannya untuk Penerapan
457 ARTICLE - Catatan tentang 'pengawetan'
458 LATIHAN - Menyimpan Model (dan Scaler)
459 Mempersiapkan Penerapan Model melalui Modul
Studi Kasus - Memuat 'modul absensi'
460 Apakah Anda Yakin Sudah
Siap 461 Menerapkan 'modul absensi' - Bagian I
462 Menerapkan 'modul absensi' - Bagian II
463 Mengekspor Kumpulan Data yang Diperoleh sebagai .csv
Studi Kasus - Menganalisis Output yang Diprediksi di Tableau
464 LATIHAN - Usia vs Probabilitas
465 Menganalisis Usia vs Probabilitas di Tableau
466 LATIHAN - Alasan vs Probabilitas
467 Menganalisis Alasan vs Probabilitas di Tableau
468 LATIHAN - Beban Transportasi vs Probabilitas
469 Menganalisis Pengeluaran Transportasi vs Probabilitas di Tableau
Lampiran - Alat Python Tambahan
470 Menggunakan Metode .format ()
471 Iterasi Objek Rentang
472 Pengantar Nested For Loops
473 Triple Nested For Loops
474 Pemahaman Daftar
475 Fungsi Anonim (Lambda)
Bonus Kuliah
476 Bonus Kuliah Langkah Berikutnya