Что ж, если вы хотите начать изучать науку о данных, это довольно просто, если вы будете регулярно проверять каждую тему, усердно учиться и усердно практиковаться (и это само по себе шутка, если вы понимаете, о чем я).
Но, если честно, это не так сложно, как кажется…. Поверьте мне!! Мне было трудно взламывать горы и холмы, чтобы проложить Дорогу вокруг них.
Итак, вот оно… просто идите шаг за шагом, и вы должны быть на пути к цели науки о данных.
(0.5) Основы Python
- Статистика
Когда вы закончите со статистикой, приступайте к Машинному обучению ,
2. Машинное обучение
По сути, это заставляет ваш компьютер учиться на изучении данных и статистики, анализировать данные и учиться предсказывать результат… это шаг в направлении искусственного интеллекта (ИИ).
Машинное обучение подразделяется на Контролируемое, Неконтролируемое и Обучение с подкреплением.
Обучение с учителем.Методы обучения с учителем – это наиболее часто используемые алгоритмы машинного обучения. Основная цель контролируемого обучения состоит в том, чтобы изучить связь между образцами входных данных и соответствующими выходными данными после выполнения нескольких экземпляров обучающих данных.
Например,
x : входные переменные и
Y : выходная переменная (больше подробности о x и y приближаются…..)
простой!!
Неконтролируемое машинное обучение. Это противоположноалгоритмам машинного обучения с учителем, что означает, что при неконтролируемом обучении у нас нет наставника, который мог бы дать какое-либо руководство. Неконтролируемое обучение полезно, когда у нас нет таких возможностей, как при обучении с учителем, предварительно помеченных обучающих данных, и мы хотим извлечь полезный шаблон из входных данных.
Обучение с подкреплением. Это одна из трех основных парадигм машинного обучения, наряду с контролируемым и неконтролируемым обучением……
Эти методы отличаются от ранее изученных методов и также очень редко используются. В алгоритмах обучения такого типа будет агент, которого мы хотим обучать в течение определенного периода времени, чтобы он мог взаимодействовать с определенной средой. Агент будет следовать набору стратегий взаимодействия с окружающей средой, а затем, после наблюдения за окружающей средой, он будет предпринимать действия в отношении текущего состояния среды. (скопировано из tutorials point.com)
