Python [stepik] Практический Machine Learning (2022)

[Trinity]

[stepik] Практический Machine Learning (2022)

Описание:

Чему вы научитесь

• • Изучите классические и современные алгоритмы машинного обучения
• • Повторите или освоите математические подходы, необходимые для анализа данных

О курсе

После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.

Важно! Курс находится в процессе наполнения.

Программа курса

Организация курса

1. • О курсе
2. • Инструменты
3. • Kaggle

Знакомство с машинным обучением

1. • Введение
2. • Основные понятия машинного обучения
3. • Типы задач в машинном обучении
4. • Схема проекта по машинному обучению
5. • Оценка обобщающей способности модели
6. • Домашнее задание
7. • Разведочный анализ данных

Линейные модели регрессии

1. • Основы линейной регрессии
2. • Регуляризация
3. • Практические особенности линейной регрессии
4. • Feature engineering
5. • Метрики качества регрессии
6. • Домашнее задание

Линейные модели классификации - 1

1. • Переход от регрессии к классификации
2. • Задача оценивания вероятностей, логистическая регрессия
3. • Базовые метрики классификации
4. • Домашнее задание

Линейные модели классификации - 2

1. • Метод опорных векторов
2. • Ядровой метод опорных векторов
3. • Продвинутые (интегральные) метрики классификации
4. • Домашнее задание

Многоклассовая классификация

1. • Многоклассовая и multilabel-классификация
2. • Метод ближайших соседей
3. • Быстрый поиск соседей
4. • Калибровка вероятностей

Решающие деревья и их композиции

1. • Решающее дерево
2. • Тонкости решающих деревьев
3. • Разложение ошибки на смещение и разброс
4. • Бэггинг. Случайный лес
5. • Бустинг. Градиентный бустинг над решающими деревьями
6. • Современные имплементации градиентного бустинга

Обработка признаков и работа с выбросами

1. • Работа с пропущенными значениями
2. • Поиск аномалий
3. • Кодирование категориальных признаков

Снижение размерности данных

1. • Методы отбора признаков
2. • Метод главных компонент
3. • Сингулярное разложение
4. • Линейный дискриминантный анализ
5. • Методы визуализации данных

Кластеризация данных

1. • K-means
2. • Иерархическая кластеризация
3. • DBSCAN, HDBSCAN
4. • Метрики качества кластеризации
5. • Графовая кластеризация

Интерпретируемость ML-моделей

1. • SHAP
2. • LIME

Рекомендательные системы и ранжирование

1. • Коллаборативная фильтрация
2. • Матричные разложения
3. • Факторизационные машины
4. • ML-подход
5. • Метрики качества ранжирования и рекомендаций
6. • Ранжирование

AutoML

1. • Автоматический подбор гиперпараметров: Optuna
2. • Фреймворк для AutoML – H2O
3. • Обзор других фреймворков (TPOT, auto-sklearn, MLBox)

Прогнозирование временных рядов

1. • Особенности работы с временными рядами
2. • Статистические методы прогноза временных рядов
3. • Адаптивные модели
4. • Прогнозирование временных рядов с помощью ML
5. • Библиотеки для анализа временных рядов: prophet

Подробнее:

Для просмотра ссылок необходимо выполнить Вход или Регистрация

Скачать:

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.

 

[lptrwqs]

добрый день. обновите, пожалуйста, ссылку

 

[MilkShake]

добрый день. обновите, пожалуйста, ссылку

Ссылка на материал обновлена.