Video description
课程简介
超过8小时的视频课程展示了如何使用AWS和谷歌云平台来解决机器学习和人工智能中的本质问题。本课程涵盖了如何通过Jupyter笔记本开始使用Python，然后继续深入到Python数据科学库中的各种具体细节，包括Pandas, Seaborn, scikit-learn和TensorFlow。
EDA，即探索性数据分析，是机器学习的核心。为此本课程还重点介绍了如何在Python和Jupyter笔记本中执行EDA。除此之外，也会将软件工程基础知识与课程内容做关联教学，并提供关于linting、测试、命令行工具、数据工程api等方面的关键性说明。
Get技能
● 介绍机器学习的数据科学概念和Python基础
● 如何使用Flask、Pandas开发一个数据工程API
● 全面了解EDA
● 掌握基于Python的AWS、Google Cloud Platform开发
Table of Contents
课程开篇介绍
机器学习、AI与Python及Jupyter Notebook基本介绍
第1课:用Python基础知识介绍数据科学编码
学习目标
1.1使用IPython、Jupyter和Python REPL
1.2编写过程性语句
1.3使用字符串和字符串格式
1.4使用数字和算术运算
1.5与数据结构交互
1.6编写和运行脚本
1.7总结
第2课:编写和应用函数
学习目标
2.1编写函数
2.2利用函数式编程的概念
2.3利用延迟计算函数
2.4使用修饰符
2.5使类像函数一样运行
2.6对一个Pandas DataFrame应用一个函数
2.7使用Python lambdas
2.8总结
第3课:使用Python控制结构
学习目标
3.1创建循环
3.2使用if/else/break/continue/pass语句
3.3了解try/except
3.4理解生成器表达式
3.5理解列表解析
3.6理解排序
3.7理解Python正则表达式
3.8总结
第4课:用Python编写、使用和部署库
学习目标
4.1用Python编写和使用库
4.2使用pipenv, pip, virtualenv, conda
4.3将Python代码部署到生产环境中
4.4总结
第5课:理解Python类
学习目标
5.1了解类与函数之间的区别
5.2制作简单的对象并与之交互
5.3了解类继承
5.4与特殊类方法交互
5.5创建元类
5.6总结
第6课:Python和Pandas中的IO操作
学习目标
6.1使用写文件操作
6.2使用读文件操作
6.3使用序列化技术
6.4使用Pandas DataFrames
6.5使用带有Pandas DataFrames的谷歌表格
6.6在Python中使用并发的方法
6.7总结
第7课:学习Software Carpentry
学习目标
7.1新建Data Science Github项目布局
7.2使用git和Github管理变更
7.3使用CircleCI和AWS Code Build来构建和测试来自Github的项目
7.4使用静态分析和测试工具:pylint、pytest和coverage
7.5测试Jupyter Notebooks
7.6总结
第8课:使用Flask和Pandas创建一个数据工程API
学习目标
8.1制作项目布局图
8.2为项目安排一个Makefile
8.3为Pandas聚合创建一个命令行工具
8.4使插件传递给pandas
8.5编写Flask API
8.6集成Swagger文档
8.7 Python基准测试项目
8.8集成测试和检查
8.9总结
第9课: 了解社会力量对NBA影响的探索性数据分析（EDA）和ML项目
学习目标
9.1社交媒体数据收集
9.2在pandas中导入和合并数据
9.3了解相关热图和成对图
9.4在Python中使用线性回归
9.5在Python中使用ggplot
9.6使用k-means聚类
9.7使用PCA和scikit-learn
9.8使用scikiti -learn进行ML分类预测
9.9使用scikit-learn进行ML回归预测
9.10用于交互式数据可视化
9.11总结
第十课:理解中级机器学习
学习目标
10.1人工智能、机器学习和深度学习概述
10.2大数据
10.3使用推荐系统
10.4总结
第11课:基于Python的AWS Cloud ML和AI管道
学习目标
11.1使用AWS Web服务
11.2使用Boto
11.3使用AWS Lambda开发与Chalice
11.4使用AWS Dynamo DB
11.5使用AWS的步骤函数
11.6对ML作业使用AWS批处理
11.7使用AWS Sagemaker
11.8使用AWS理解NLP
11.9使用AWS Rekognition API
11.10总结
第12课:基于Python的谷歌计算平台ML和AI管道
学习目标
12.1进行合作基础训练
12.2使用高级Colab功能
12.3执行数据实验的基础
12.4使用TPUS进行深度学习
12.5使用谷歌Big Query
12.6使用谷歌机器学习服务
12.7使用谷歌情绪分析API
12.8使用谷歌计算机视觉API
12.9总结
第13课:创建命令行机器学习工具
学习目标
13.1了解现货价格的机器学习
13.2学会使用DevML机器学习工具
13.3总结
第14课:数据科学: NBA社会力量的案例研究
14.1数据科学: 以NBA社会力量为例
总结
机器学习、AI与Python及Jupyter Notebook课程总结