Một thẻ đã tồn tại với tên chi nhánh được cung cấp. Nhiều lệnh GIT chấp nhận cả tên thẻ và tên chi nhánh, vì như vậy việc tạo chi nhánh này có thể gây ra hành vi bất ngờ. Bạn có chắc là bạn muốn tạo chi nhánh này không? Show Nội dung chính Hiển thị DSE210x-Thống kê-và-Xác suất-trong-Dữ liệu-Khoa học-sử dụng-PythonUCSANDIEGOX EDX Key học DSE210X Thống kê và xác định trong khoa học dữ liệu bằng cách sử dụng Python https. // khóa học. edx. org/khóa học/khóa học-v1. ucsandiegox+dse210x+3t2017/khóa/ Chào mừng bạn đến với thống kê số liệu và xác định trong khoa học dữ liệu bằng Python. Chúng tôi rất vui được chào mừng bạn đến với thống kê số liệu và xác thực trong khoa học dữ liệu bằng Python. Trong khóa học này, bạn sẽ học được động lực, trực giác và lý thuyết phía sau nền tảng xác thực và thống kê của khoa học dữ liệu, đồng thời sẽ được thử nghiệm và thực hành với các khái niệm này thông qua chương trình Giảng viên nhân viên khóa học Alon Orlitsky, Giáo sư, Bộ phận ECE và CSE, UC San Diego Yoav Freund, Giáo sư, Bộ CSE, UC San Diego Trợ lý giảng dạy Matthew Elliot, sinh viên tốt nghiệp, CSE, UC San Diego Rohit Parasnis, sinh viên tốt nghiệp, ECE, UC San Diego Hanwen Yao, Sinh viên tốt nghiệp, ECE, UC San Diego Zhen Zhai, sinh viên tốt nghiệp Bạn cần biết gì để thành công? . Chúng tôi sẽ giả định kiến thức cơ bản về các chủ đề sau đây Logic (ví dụ. Luật của De Morgan) đặt ra lý thuyết (ví dụ. các chức năng là gì) tính toán (ví dụ. tính toán phân tích và dẫn xuất) thiết lập chương trình (ví dụ. kinh nghiệm cơ bản với bất kỳ ngôn ngữ lập trình nào) sẽ được sử dụng trong suốt khóa học. Nếu bạn muốn học hoặc thực hành nhiều hơn với Python, vui lòng xem xét hoặc tham gia khóa học đầu tiên trong các micromasters này, Python cho khoa học dữ liệu Tổng quan Khóa học sẽ bao gồm các chủ đề sau Đếm và tổ hợp các biến xác định riêng biệt và xác định liên tục và các biến số ngẫu nhiên của Bayes kỳ vọng, phương sai và tương quan các gia đình phân phối phổ biến các biến xác định đặc điểm và thời điểm tập tin . Chúng tôi sẽ bao gồm cả những khía cạnh gần lý thuyết và thực tế, đồng thời sẽ bắt đầu chủ đề về động lực và trực giác và sẽ tiến hành các lập luận nghiêm ngặt và các kỹ thuật có thể chứng minh. Mỗi chủ đề sẽ được đính kèm theo một cuốn sổ tay Python mà bạn có thể chạy và sửa đổi để thử nghiệm các tài liệu đã học và cảm nhận tốt hơn về tài liệu được bảo hiểm Khóa học thảo luận khóa học bao gồm 10 đơn vị. Trong mỗi khóa học 10 tuần đầu tiên, chúng tôi sẽ phát hành một đơn vị và bạn sẽ có sáu tuần để hoàn thành nó ● Tuần 1 - Giới thiệu ● Tuần 2 - Bộ ● Tuần 3 - Đếm và Kết hợp ● Tuần 4 - Xác định và điều hòa ● Tuần 5 - Biến ngẫu nhiên, kỳ vọng và phương sai ● Tuần 6 - Các gia đình phân phối riêng biệt và liên tục ● Tuần 7 - Định lý bất bình đẳng và tập trung ● Tuần 8 - Lấy mẫu, khoảng tin cậy và kiểm tra giả thuyết ● Tuần 9 - Phân chia thành phần hồi quy và chính ● Tuần 10 - Entropy và nén Python-for-Probability-Statistics-and-Machine-Learning-2EPhiên bản thứ hai của văn bản Springer Python cho xác định, thống kê và học máyPython cho Xác suất, Thống kê và Học máy Cuốn sách này đã được cập nhật đầy đủ cho Python phiên bản 3. 6+, bao gồm các ý tưởng chính liên kết kết quả, thống kê và máy học được minh họa bằng các mô-đun Python trong các lĩnh vực này. Tất cả các số liệu và kết quả số đều có thể tái tạo bằng cách sử dụng các mã Python được cung cấp. Tác giả phát triển các trực giác quan trọng trong học máy bằng cách làm việc các ví dụ có ý nghĩa bằng nhiều phương pháp phân tích và mã truy, do đó kết nối các khái niệm lý thuyết với việc triển khai công cụ. Bằng chứng chi tiết cho một số kết quả quan trọng cũng được cung cấp. Các mô-đun Python hiện đại như Gandas, Sympy, Scikit-Learn, Tensorflow và Keras đã được áp dụng để mô phỏng và trực tiếp hóa các khái niệm máy học quan trọng như sự biến đổi sai lệch/sai lệch, xác thực chéo và . Nhiều ý tưởng về toán học hiển thị, giả tạo như sự kiện hội tụ trong lý thuyết xác thực, được phát triển và minh họa bằng các ví dụ bằng số Phiên bản cập nhật này bao gồm thử nghiệm chính xác của Fisher và thử nghiệm của Mann-Whitney-Wilcoxon. Một phần mới về phân tích sinh tồn đã được bao gồm cũng như sự phát triển đáng kể của các tuyến tính tổng mô hình. Phần học sâu mới để xử lý hình ảnh bao gồm một cuộc thảo luận chuyên sâu về các phương pháp pháp giảm độ dốc làm nền nền cho tất cả các thuật toán học sâu. Như với phiên bản trước, có các mẹo cài đặt chương trình mới và cập nhật mà các mô-đun và phương pháp Python Python hiệu quả cho việc thiết lập chương trình khoa học và máy học. Có 445 khối mã có khả năng chạy với các đầu ra tương ứng đã được kiểm tra độ chính xác. Hơn 158 trực quan đồ họa (hầu hết tất cả được tạo bằng Python) minh họa các khái niệm được phát triển cả về mã và trong toán học. Chúng tôi cũng thảo luận và sử dụng các mô-đun Python quan trọng như Numpy, Scikit-Learn, Sympy, Scipy, Lifelines, CVXPy, Theano, Matplotlib, Pandas, Tensorflow, StatSmodels và Keras Cuốn sách này phù hợp với bất kỳ ai có trình độ đại học tiếp xúc với xác thực, số liệu thống kê hoặc học máy và với kiến thức thô sơ về lập trình Python Hướng dẫn thiết lập CondaNếu bạn đang sử dụng và sau đó kích hoạt môi trường bằng cách sử dụng các mục sau, Sau đó, bạn có thể chạy Hướng dẫn thiết lập DockerNếu bạn đang sử dụng Docker, có một và sau đó chạy bộ cục bộ của nó bằng cách sử dụng, Sau đó, điều hướng đến URL đầu tiên và bạn có thể khám phá máy tính xách tay Jupyter cho mỗi chương trình. Xen kẽ, nếu bạn không muốn xây dựng cấu hình ảnh của riêng mình, bạn có thể làm To have been Docker image from https. // trung tâm. người đóng tàu. com/r/ungingco/pypsml2e. Lưu ý rằng điều này có thể không được cập nhật như tự xây dựng nó từ kho lưu trữ này, nhưng vẫn nên hoạt động tốt. không cập nhật bằng cách tự xây dựng nó từ kho lưu trữ này, nhưng vẫn hoạt động tốt |
