"

Pré-requisitos de Aprendizado Profundo: O Conjunto Numpy em Python (V2+)

O conjunto Numpy, Scipy, Pandas e Matplotlib: preparação para aprendizado profundo, aprendizado de máquina e inteligência artificial

Bem-vindo! Este é o curso Pré-requisitos de Aprendizado Profundo, Aprendizado de Máquina e Ciência de Dados: O Conjunto Numpy em Python. Uma pergunta ou preocupação que recebo com frequência é que as pessoas querem aprender aprendizado profundo e ciência de dados, então fazem esses cursos, mas ficam para trás porque não sabem o suficiente sobre o conjunto Numpy para transformar esses conceitos em código. Mesmo que eu escreva o código completo, se você não conhece o Numpy, ainda é muito difícil de ler. Este curso foi projetado para remover esse obstáculo - mostrar como fazer coisas no conjunto Numpy que são frequentemente necessárias no aprendizado profundo e na ciência de dados. Então, quais são essas coisas? Numpy. Isso forma a base para tudo o mais. O objeto central no Numpy é o array Numpy, no qual você pode fazer várias operações. A chave é que um array Numpy não é apenas um array regular que você veria em uma linguagem como Java ou C++, mas sim um objeto matemático como um vetor ou uma matriz. Isso significa que você pode fazer operações de vetor e matriz como adição, subtração e multiplicação. O aspecto mais importante dos arrays Numpy é que eles são otimizados para velocidade. Então vamos fazer uma demonstração onde eu provo para você que usar uma operação vetorizada do Numpy é mais rápido do que usar uma lista Python. Em seguida, vamos olhar para algumas operações de matriz mais complicadas, como produtos, inversas, determinantes e resolução de sistemas lineares. Pandas. O Pandas é ótimo porque faz muitas coisas nos bastidores, o que facilita sua vida porque você não precisa codificar essas coisas manualmente. O Pandas facilita o trabalho com conjuntos de dados, muito parecido com o R, se você está familiarizado com o R. O objeto central no R e no Pandas é o DataFrame. Vamos ver como é mais fácil carregar um conjunto de dados usando o Pandas em comparação com tentar fazer isso manualmente. Em seguida, vamos olhar para algumas operações de dataframe úteis no aprendizado de máquina, como filtrar por coluna, filtrar por linha e a função apply. Os dataframes do Pandas vão lembrar você das tabelas SQL, então se você tem um background em SQL e gosta de trabalhar com tabelas, o Pandas será uma ótima próxima coisa para aprender. Como o Pandas nos ensina a carregar dados, o próximo passo será olhar para os dados. Para isso, usaremos o Matplotlib. Nesta seção, veremos alguns gráficos comuns, como o gráfico de linhas, o gráfico de dispersão e o histograma. Também veremos como mostrar imagens usando o Matplotlib. 99% do tempo, você estará usando alguma forma dos gráficos acima. Scipy. Gosto de pensar no Scipy como uma biblioteca complementar ao Numpy. Enquanto o Numpy fornece blocos básicos de construção, como vetores, matrizes e operações sobre eles, o Scipy usa esses blocos de construção gerais para fazer coisas específicas. Por exemplo, o Scipy pode fazer muitos cálculos estatísticos comuns, incluindo obter o valor do PDF, o valor do CDF, amostragem de uma distribuição e testes estatísticos. Ele possui ferramentas de processamento de sinais, então pode fazer coisas como convolução e transformada de Fourier. Em resumo: se você fez um curso de aprendizado profundo ou aprendizado de máquina, entende a teoria e consegue ver o código, mas não consegue fazer a conexão entre como transformar esses algoritmos em código em execução real, este curso é para você. "Se você não consegue implementar, você não entende" Ou como o grande físico Richard Feynman disse: "O que eu não posso criar, eu não entendo". Meus cursos são os ÚNICOS cursos onde você aprenderá a implementar algoritmos de aprendizado de máquina do zero. Outros cursos ensinarão como inserir seus dados em uma biblioteca, mas você realmente precisa de ajuda com 3 linhas de código? Depois de fazer a mesma coisa com 10 conjuntos de dados, você percebe que não aprendeu 10 coisas. Você aprendeu 1 coisa e apenas repetiu as mesmas 3 linhas de código 10 vezes... Pré-requisitos sugeridos: aritmética de matrizes, probabilidade, programação Python: if/else, loops, listas, dicionários, conjuntos. Você já deve saber "por que" coisas como produto escalar, inversão de matriz e distribuições de probabilidade gaussiana são úteis e para que podem ser usadas. EM QUE ORDEM DEVO FAZER SEUS CURSOS?: Confira a palestra "Roteiro de Pré-requisitos de Aprendizado de Máquina e IA" (disponível nas perguntas frequentes de qualquer um dos meus cursos)

O que você aprenderá

- Entender aprendizado de máquina supervisionado (classificação e regressão) com exemplos do mundo real usando o Scikit-Learn - Entender e codificar usando o conjunto Numpy - Utilizar Numpy, Scipy, Matplotlib e Pandas para implementar algoritmos numéricos - Entender os prós e contras de vários modelos de aprendizado de máquina, incluindo Aprendizado Profundo, Árvores de Decisão, Floresta Aleatória, Regressão Linear, Boosting e Mais!"