city skyline
» » ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)
» » ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)

    ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)


    ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)

    ¬ыигрываем соревнование Kaggle с kNN, SVM, логистической регрессией, случайным лесом, XGBoost, CatBoost и LightGBM. ћы разберем прикладные подходы к кластеризации и классификации данных с помощью машинного обучени€ дл€ страхового скоринга Prudential в соревновании на Kaggle вплоть до формировани€ конечного результата.

    ћатериалы курса:
    1. «адача страхового скоринга
    - —траховой скоринг
    - F1 и  аппа оценки классификации
    - ћетод ближайших соседей
    - kNN скоринг
    2. Ћогистическа€ регресси€ и опорные векторы
    - ќбработка данных и оптимизаци€ пам€ти
    - Ћогистическа€ регресси€
    - »ерархи€ логистической регрессии
    - SVM: метод опорных векторов
    - —равнение классификации
    3. –ешающие деревь€ и ансамбли бэггинга и бустинга
    - –ешающие деревь€
    - —лучайный лес
    - Ѕустинг с XGBoost
    - √радиентный бустинг
    4. јнсамбль стекинга и финальное решение
    - LightGBM
    - CatBoost
    - јнсамбль классификации
    - –асчет результатов
    - ‘инальное решение

    „ему вы научитесь:
    - EDA: исследовательский анализ данных
    - “очность, полнота, F1 и каппа метрики
    - ѕроста€ кластеризаци€ данных
    - Ћогистическа€ регресси€: проста€ и многоуровнева€
    - ћетод ближайших соседей: kNN
    - Ќаивный Ѕайес
    - ћетод опорных векторов: SVM
    - –ешающие деревь€ м случайный лес
    - XGBoost и градиентный бустинг
    - CatBoost и LightGBM
    - јнсамбль голосовани€ и стекинга

    “ребовани€:
    - ѕродвинутый Python
    - ќсновы математической статистики
    - ќсновы машинного обучени€

    ¬ этом курсе:
    - ѕроведение исследовательского анализа данных дл€ поиска зависимостей: EDA.
    - ћетрики классификации: точность, полнота, F1, квадратична€ каппа и матрица неточностей.
    - ќчистка данных и оптимизаци€ потреблени€ пам€ти.
    -  ластеризаци€ данных и метод ближайших соседей.
    - ѕроста€ и иерархическа€ логистическа€ регресси€.
    - ћетод ближайших соседей и поиск оптимальной модели.
    - ћетод опорных векторов: SVM.
    - ƒерево прин€ти€ решени€ и случайный лес (бэггинг).
    - XGBosot и градиентный бустинг.
    - LightGBM и CatBoost
    - јнсамбль стекинга дл€ голосовани€ и выбора лучшего результата.
    - ¬ыгрузка результата дл€ соревновани€ на Kaggle.

    ƒл€ кого этот курс:
    - јналитики Python, изучающие машинное обучение
    - ѕрограммисты больших данных
    - »сследователи больших данных

    ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)
    ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)
    ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020) ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)

    Ќазвание: ћашинное обучение кластеризаци€ и классификаци€ на Python
    √од выхода: 2020
    ∆анр: ¬идеокурс, программирование, разработка, обучение
    ‘ормат видео: MP4 | 1280x720 | AVC
    ‘ормат аудио: AAC | 128 kb/s | 48 к√ц
    язык: –усский
    ѕродолжительность: 03:04:13
    –азмер: 3.3 Gb

    —качать ћашинное обучение кластеризаци€ и классификаци€ на Python (2020)


    ѕохожие новости
  • ћатематика дл€ Data Science. ѕродвинутый курс (2020) PCRec
  • Python дл€ анализа данных (2019)
  • ќбработка и предсказание данных в Python (2019) HDRip
  • Moscow Python Conf ++ ѕрофессиональна€ конференци€ дл€ Python-разработчиков (2019) HDRip
  • SEO- оучинг 2015 - Ќовый метод обучени€ SEO

  • »нформаци€

    ѕосетители, наход€щиес€ в группе √ости, не могут оставл€ть комментарии к данной публикации.