Программирование [Udemy] Машинное обучение: кластеризация и классификация на Python [Центр digital-профессий ITtensive]

[Stokrat]

Машинное обучение: кластеризация и классификация на Python
Центр digital-профессий ITtensive

Выигрываем соревнование Kaggle с kNN, SVM, логистической регрессией, случайным лесом, XGBoost, CatBoost и LightGBM

Язык: Русский
Автор: Центр digital-профессий ITtensive
Лекций: -
Продолжительность: -

Чему вы научитесь

• EDA: исследовательский анализ данных
• Точность, полнота, F1 и каппа метрики
• Простая кластеризация данных
• Логистическая регрессия: простая и многоуровневая
• Метод ближайших соседей: kNN
• Наивный Байес
• Метод опорных векторов: SVM
• Решающие деревья м случайный лес
• XGBoost и градиентный бустинг
• CatBoost и LightGBM
• Ансамбль голосования и стекинга

Описание
Мы разберем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:

• Проведение исследовательского анализа данных для поиска зависимостей: EDA.
  
  
• Метрики классификации: точность, полнота, F1, квадратичная каппа и матрица неточностей.
  
  
• Очистка данных и оптимизация потребления памяти.
  
  
• Кластеризация данных и метод ближайших соседей.
  
  
• Простая и иерархическая логистическая регрессия.
  
  
• Метод ближайших соседей и поиск оптимальной модели.
  
  
• Метод опорных векторов: SVM.
  
  
• Дерево принятия решения и случайный лес (бэггинг).
  
  
• XGBosot и градиентный бустинг.
  
  
• LightGBM и CatBoost
  
  
• Ансамбль стекинга для голосования и выбора лучшего результата.
  
  
• Выгрузка результата для соревнования на Kaggle.

Для кого этот курс:

• Аналитики Python, изучающие машинное обучение
• Программисты больших данных
• Исследователи больших данных

Скачать

Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.