[Stepik] Практический Machine Learning (2023)
Чему вы научитесь:
После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.
Программа курса:
Организация курса
Практический Machine Learning
Скачать:
Чему вы научитесь:
- Изучите классические и современные алгоритмы машинного обучения Повторите или освоите математические подходы, необходимые для анализа данных
После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.
Программа курса:
Организация курса
- О курсе Инструменты Kaggle
- Введение Основные понятия машинного обучения Типы задач в машинном обучении Схема проекта по машинному обучению Оценка обобщающей способности модели Домашнее задание Разведочный анализ данных
- Основы линейной регрессии Регуляризация Практические особенности линейной регрессии Feature engineering Метрики качества регрессии Домашнее задание
- Переход от регрессии к классификации Задача оценивания вероятностей, логистическая регрессия Базовые метрики классификации Домашнее задание
- Метод опорных векторов Ядровой метод опорных векторов Продвинутые (интегральные) метрики классификации Домашнее задание
- Многоклассовая и multilabel-классификация Метод ближайших соседей Быстрый поиск соседей Калибровка вероятностей
- Решающее дерево Тонкости решающих деревьев Разложение ошибки на смещение и разброс Бэггинг. Случайный лес Бустинг. Градиентный бустинг над решающими деревьями Современные имплементации градиентного бустинга
- Работа с пропущенными значениями Поиск аномалий Кодирование категориальных признаков
- Методы отбора признаков Метод главных компонент Сингулярное разложение Линейный дискриминантный анализ Методы визуализации данных
- K-means Иерархическая кластеризация DBSCAN, HDBSCAN Метрики качества кластеризации Графовая кластеризация
- SHAP LIME
- Коллаборативная фильтрация Матричные разложения Факторизационные машины ML-подход Метрики качества ранжирования и рекомендаций Ранжирование
- Автоматический подбор гиперпараметров: Optuna Фреймворк для AutoML – H2O Обзор других фреймворков (TPOT, auto-sklearn, MLBox)
- Особенности работы с временными рядами Статистические методы прогноза временных рядов Адаптивные модели Прогнозирование временных рядов с помощью ML Библиотеки для анализа временных рядов: prophet
Практический Machine Learning
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.