104學習精靈
學習
課程
共學
證照
測驗
全部
課程
貼文
教室
證照
影片
和
資料探勘
相關的課程 (13)
從工作推薦課程
從工作推薦課程
經營/人資類
行政/總務/法務類
財會/金融專業類
行銷/企劃/專案管理類
客服/門市/業務/貿易類
餐飲/旅遊/美容美髮類
資訊軟體系統類
研發相關類
生產製造/品管/環衛類
操作/技術/維修類
資材/物流/運輸類
營建/製圖類
傳播藝術/設計類
文字/傳媒工作類
醫療/保健服務類
學術/教育/輔導類
軍警消/保全類
其他
資料探勘一步到位: 原理與分類/聚類演算
學習這門資料探勘課程,資料挖得快又精準!課程將讓你從資料探勘原理到關聯規則的觀念與使用技巧、分類原理的觀念、 分類方法、決策樹、簡單貝式分類、聚類原理的觀念、K-Means、階層聚類技術、DBSCAN密度式聚類法。
緯育TibaMe
R語言/R-Studio入門─統計分析、資料探勘與機器學習的原理與實戰演練
R語言是開源的統計程式語言,常用於開發統計、資料分析軟體系統,課程中我們將從R/R-Studio入門,從統計分析、資料探勘與機器學習的原理與技巧,讓學員有能力進行相關的資料分析技術與資料視覺化整合應用。本門課適合想瞭解R語言,作為進入大數據分析基礎,或進行量化研究、進階資料視覺化。
緯育TibaMe
成為 AI 科學家|資料探勘速成攻略,輕鬆駕馭資料分析與實務應用
這門課程帶你從數據輸入開始,學習對資料的清洗。清洗儲存完成後,就可以開始著手分析,將分析結果以清晰易懂的圖表或圖形在螢幕或報表上展示。分析方面,還會學到商場上最熱門的關聯性分析,並在 Numpy,Pandas,MatplotLib 等程式庫實作後,學到基本的迴歸預測,資料分類以及分群的原理與技巧。
緯育TibaMe
軟體工程師就業培訓
專業軟體工程師實戰課程,涵蓋程式設計、系統開發、專案管理等核心技能,強調理論與實務結合, 透過實作案例與專題製作,提升學員在軟體開發領域的競爭力,還有AI履歷健檢,保證面試讓你結訓即就業。
聯成
零基礎Python入門與資料科學
最多人推薦給新手的Python 入門課程,邁向數據科學之路首先要先打好Python基礎,Python自學不是不行,有好的老師好的實作讓你無痛轉職,8個基礎實作+程式範例練習,一次學會Python的原理概念,同學一致好評的課程與講師
緯育TibaMe
iPAS機器學習工程師考照班
AI即未來!各大產業離不開機器學習,人工智慧如火如荼發展,整個產業勢必向智慧化靠攏, AI人才需求也倍數增長!iPAS產業人才能力鑑定是經濟部為充裕產業升級所需人才, 整合產官學研所建立的鑑定體制。有專業能力認證,更容易獲得企業優先面試/聘用及加薪之機會。艾鍗學院授課講師皆取得iPAS認證,章章精彩、片刻不冷場,帶給學員最實戰的應試指南,打穩機器學習工程師的基本功! 學習目標 1. 帶你了解機器學習產業發展趨勢及應用方向 2. 養成資料特徵與資料預處理能力,並能運用探索式資料分析(EDA),洞悉數據關聯性。 3. 教你機器學習和深度學習的專業術語與觀念,並能了解其背後的意義及數學意義。 4. 漸進式熟悉機器學習演算法與模型建立流程,後續模型訓練成效之驗證。 5. 從提供之iPAS樣題詳細解析中,了解更多觀念與實作技巧 章節架構 初級 Part 1. 機器學習觀念打底 Section A:資料處理分析與特徵選擇 1. 人工智慧與機器學習簡介 2. 機器學習如何進行學習 3. 資料與特徵 4. 機器學習建立模型的流程 5. 探索式資料分析(EDA)與資料預處理方法 6. 如何挑選好的特徵? Feature Selection v.s. Feature Extraction Section B:監督式機器學習演算法 1. 迴歸模型: 線性迴歸▼ iPAS ML linear regression Ridge v.s. Lasso 線性迴歸 評估迴歸模型的性能指標 2. 分類模型: Logistic Regression 演算法 KNN 演算法 決策樹演算法 SVM 演算法與數學原理 評估分類模型的性能指標 3. Ensemble Method Random Forest隨機森林 Adaboost Section C:非監督式機器學習演算法 1. 降維: PCA 演算法▼ iPAS ML The Algorithm of PCA c 2. Clustering: K-means 演算法 Hierarchical Method 演算法 3. 強化學習 強化學習的架構 Q-learning 演算法 Section D:深度學習 1. 深度學習技術簡介 2. 類神經網路運算模型原理 3. 深度學習建立模型的流程 4. 深度學習框架TensorFlow/Keras 程式架構說明 5. 其他網路結構簡介:RNN/LSTM、CNN Part 2. Python實作機器學習 1. 資料處理工具: Numpy、Pandas▼ iPAS ML Pandas 2. 視覺化工具: Matplotlib▼ iPAS ML Matplotlib c 3. 機器學習工具:Scikit-learn 4. 迴歸模型實作 y=f(x) 的函式預測 價格預測模型 5. 鳶尾花花卉分類與探討▼ iPAS ML iris 使用Logistic Regression 使用KNN 使用Decision Tree▼ iPAS ML Decision Tree 使用SVM▼ iPAS ML SVM 使用Random Forest 使用Adaboost 6.PCA 降維使用Scikit-learn▼ iPAS ML PCA降維使用Scikit learn 7.K-means分群使用Scikit-learn▼ K means分群使用Scikit 8.Hierarchical方法分群使用Scikit-learn▼ iPAS ML Hierarchical Scikit learn 9.強化學習-找寶藏地圖實作解析▼ iPAS ML Reinforcement learning iPAS ML Q learning value function Part 3. iPAS機器學習工程師範例試題詳解
艾鍗學院
真是抱歉,沒有符合的搜尋內容
你可以搜尋其他關鍵字
看全部課程
真是抱歉,沒有符合的搜尋內容
你可以搜尋其他關鍵字