[Udemy] Машинное обучение: кластеризация и классификация на Python (2020)
Чему вы научитесь
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:
СКАЧАТЬ
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
- Продвинутый Python Основы математической статистики Основы машинного обучения
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.
- Аналитики Python, изучающие машинное обучение Программисты больших данных Исследователи больших данных
СКАЧАТЬ
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
DOWNLOAD
