Machine Learning with Python Kursu

Machine Learning with Python Kursu – 4 Aylıq Təlim Proqramı

Python proqramlaşdırma dili ilə Machine Learning (maşın öyrənməsi) kursu sizə proqramlaşdırmanın əsaslarından başlayaraq, Web scraping, Riyaziyyat, SQL, Machine Learning alqoritmləri, Feature Engineering kimi gərəkli mövzular öyrədir və tam sıfırdan başlayanlar üçün uyğun təlimdir.

Qeydiyyat

Machine Learning with Python kursu nə öyrədir

Python əsasları
ML üçün əsas SQL kommandları
Maşın Öyrənməsi üçün Riyaziyyat: Xətti Cəbr, Matrislər, Statistika bu modulda əhatə olunur.
Məlumat sızması olmadan məlumatların hazırlanması
Maşın Öyrənməsi üçün Advanced Feature Engineering
Supervised and unsupervised yanaşmalar
Maşın öyrənmə problemləri (məsələn, reqressiya, təsnifat, klasterləşdirmə)
Maşın öyrənmə alqoritmləri (məsələn, xətti, K-ən yaxın qonşular, K-vasitələr, Ağaclar)

Machine Learning kursu with Python kursu təklif edir:

Peşəkar Machine Learning mühəndisindən öyrənmək
Praktiki ML layihələri ilə işləmək
Hər dərsdən sonra intensiv tapşırıqlar
Modullarda GitHub üçün layihə işləri
Karyera inkişafı dəstəyi
+100 saatlıq dərs proqramı
Daimi texniki və konsultativ dəstək
Onlayn qoşulma imkanı
Rəsmi Məzun Diplomu

Nicat Zeynalov

Machine Learning with Python kursu proqram rəhbəri

Nicat Zeynalov çoxşaxəli, AWS və Google Sertifikatlı Maşın Öyrənmə Mühəndisidir. ML alqoritmlərinin inkişaf etdirilməsi, tətbiqi, alqoritmlərin nəticə çıxarma məntiqləri üzrə təcrübəsi mövcuddur.

Hazırda Azerconnect şirkətində Machine Learning Mühəndisi olaraq çalışır. Proqnozlaşdırılan modelləşdirməyə (Predictive Modelling) əsaslanan Machine Learning həlləri üzrə +3 illik proqramlaşdırma təcrübəsinə malikdir.

Machine Learning with Python Kursu Sillabusu

7 modul • Github layihələr • +100 saat dərs

Introduction to Python
Data Structures in Python
Python operators
Loops (for, while)
Functions
Web scraping
Regular expressions
Writing and reading files
Introduction to OOP

Introduction to Linear Algebra
Numpy arrays
Vectors and Vector Arithmetic
Matrices and Matrix Arithmetic
Types of Matrices
Matrix Operations
Basics of Probability Theory
Joint, Marginal, and Conditional Probability
Bayes Theorem
Introduction to Statistics
Descriptive Statistics
Overview of statistical concepts
Statistical hypothesis testing
Wrap-Up

Introduction to SQL
Querying and filtering data in SQL
Simple aggregations in SQL
Grouping, filtering, and sorting

pandas
Variable Problems When Building ML Models
Performing mean or median imputation
Mode or frequent category imputation
Adding a missing value indicator variable
Performing multivariate imputation by chained equations
Assembling an imputation pipeline
Creating binary variables through one-hot encoding
Replacing categories with counts or frequency of observations
Encoding with the mean of the target
Encoding with the Weight of Evidence
Grouping rare or infrequent categories
Performing binary encoding, feature hashing

Transforming variables with the logarithm
Transforming variables with the reciprocal function
Using square and cube root to transform variables
Using power transformations on numerical variables
Performing Box-Cox transformation on numerical variables
Performing Yeo-Johnson transformation on numerical variables
Dividing the variable into intervals of equal width
Sorting the variable values in intervals of equal frequency
Performing discretization followed by categorical encoding
Allocating the variable values in arbitrary intervals
Performing discretization with k-means clustering
Using decision trees for discretization
Trimming outliers from the dataset
Performing winsorization
Capping the variable at arbitrary maximum and minimum values
Performing zero-coding – capping the variable values at zero
Extracting date and time parts from a datetime variable
Capturing the elapsed time between datetime variables
Standardizing the features
Performing mean normalization
Implementing maximum absolute scaling
Scaling to vector unit length

Combining multiple features with statistical operations
Combining pairs of features with mathematical functions
Performing polynomial expansion
Deriving new features with decision trees
Aggregating transactions with mathematical operations
Aggregating transactions in a time window
Determining the number of local maxima and minima
Deriving time elapsed between time-stamped events
Creating features from transactions with Featuretools

Data Preparation without Data Leakage
Bias–variance tradeoff
Building Simple Linear model from stratch
Building Simple Logistic Regression model from stratch
Classification and Regression Trees
K-Nearest Neighbors
Support Vector Machines
Unsupervised Learning
Semi-supervised Learning algorithms
Handling with imbalanced dataset
Feature selection methods
Hyperparameter optimization (random search, grid search, halving)
Hyperparameter optimization (Bayesian)