1. Новые складчины: Показать еще

    28.03.2024: Цвет и ретушь. Быстрые и простые алгоритмы (Галина Анисимова)

    28.03.2024: Как приобрести свою первую инвестиционную недвижимость (Роберт Кийосаки)

    28.03.2024: [VrednayaModa] Полезная мода. Весна 2024 (Вика Бисерова)

    28.03.2024: Покупай как мужчина, продавай как женщина (Юлия Медведева)

    28.03.2024: Я в кадре 2024. Тариф Стандартный (Кымбат Масакбаева)

  2. Сбор взносов Показать еще

    28.03.2024: Сombo | i'm f*cking star + No0 (pinkmint_mua)

    28.03.2024: Мишка «Малышка» (Женя Закерьина)

    28.03.2024: [Psy 2.0] Навигация. Тариф «С опциями» (Екатерина Филяева)

    26.03.2024: [Студия Фэн-шуй Гармония] Спортивная карьера в Бацзы (Юлия Бальсина)

    26.03.2024: Восстановление желчного и печени 2024 (Тимофей Кармацкий)

Закрыто

DSCource 2. Data Mining с помощью Python (Юрий Кашницкий)

Тема найдена по тегам:
Статус темы:
Комментирование темы ограничено.
Цена:
7000 руб
Взнос:
254 руб
Организатор:
Gagarin

Список участников складчины:

1. Gagarin 2. Aplication 3. sk0012 4. a1ik 5. Gizo 6. batazor
  1. Gagarin
    Gagarin Организатор складчин

    DSCource 2. Data Mining с помощью Python (Юрий Кашницкий)

    Юрий Кашницкий, Data Mining с помощью Python
    Видео лекций, презентации, ссылки по второму курсу данной серии


    "Мы постарались сделать программу так, чтобы в нее входили только самые основные навыки, необходимые в реальной работе. Здесь не будет длинной теории, только практически важные вещи."
    • Юрий Кашницкий, преподаватель Высшей Школы Экономики, умеющий объяснять сложные вещи простым языком, познакомит слушателей сперва с основными инструментами, которые пригодятся начинающему Data Scientist'у, а после проведет курс по машинному обучению, в котором даст необходимые навыки для построения прогнозных моделей

    Data Mining (добыча данных, интеллектуальный анализ данных, глубинный анализ данных) – собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности

    Kaggle – это платформа для исследователей разных уровней, где они могут опробовать свои модели анализа данных на серьезных и актуальных задачах. Суть такого ресурса – не только в возможности получить неплохой денежный приз в случае, если именно ваша модель окажется лучшей, но и в том (а, это, пожалуй, гораздо важнее), чтобы набраться опыта и стать специалистом в области анализа данных и машинного обучения.


    Данный курс освящает практическое применение алгоритмов обработки данных на примере решения одной из самых популярных задач платформы Kaggle, Titanic: Learning from Disaster (предсказание выживших в катастрофе пассажиров)
    Урок 1. Введение
    - Введение в машинное обучение, необходимые навыки
    - Задачи классификации, регрессии и кластеризации
    - Краткий обзор Kaggle
    - Открытие соревнования Kaggle Inclass
    - Знакомство с набором данных по автострахованию этого соревнования
    - Статистические распределения, нормализация признаков, приведение к нормальному распределению
    - Деревья решений
    - Применение дерева решений Scikit-learn к набору данных iris и данным из контеста Kaggle Inclass
    - Настройка параметров дерева, кросс-валидация

    Урок 2. Обзор инструментов
    - Работа с векторами и матрицами в библиотеке NumPy
    - Обзор библиотеки для научных выичслений SciPy
    - Тетрадки Jupyter (IPython) для презентации материала, содержащего код
    - Визуализация данных с Matplotlib
    - Чтение и обработка данных с библиотекой Pandas
    - Решение задачи соревнования Kaggle "Titanic: Learning from Disaster" c помощью Pandas
    - Обзор библиотеки машинного обучения Scikit-learn

    Урок 3. Обучение с учителем. Классификация
    - Работа с признаками – отбор, преобразование, построение
    - Метрики качества алгоритмов машинного обучения (accuracy, precision, recall, F-score). ROC-кривая, AUC
    - Метод максимального правдоподобия
    - Логистическая регрессия

    Урок 4. Обучение с учителем. Ансамбли. Переобучение
    - Случайный лес (Random Forest)
    - Случайный лес на примере набора данных Titanic
    - Случайный лес на примере набора данных по автострахованию
    - Бустинг (boosting) и бэггинг (bagging)
    - Сравнение бустинга и бэггинга на наборах данных репозитория UCI
    - Стекинг. Демонстрация решения задачи категоризации продуктов Otto (вкратце)
    - Переобучение, кросс-валидация, регуляризация
    - Пример регуляризации для логистической регрессии

    Урок 5. Обучение без учителя
    - Обзор методов кластеризации, снижения размерности, поиска аномалий в данных
    - Кластеризации городов России по социально-экономическим показателям
    - Сингулярное разложение матрицы
    - Пример снижения размерности изображений, сжатие изображений
    - Снижение размерности как способ визуализации даных
    - Решение задачи соревнования Kaggle "Titanic: Learning from Disaster" с помощью Python

    Урок 6. Продвинутые методы. API Scikit-learn
    - Нейронные сети, библиотеки nolearn и Lasagne NN
    - Библиотека XGBoost, сравнение с градиентным бустингом в Scikit-learn
    - Пример голосования между алгоритмами для повышения качества классификации
    - Смешивание (блендинг) алгоритмов на примере задачи Kaggle "Titanic: Learning from Disaster"
    - Стекинг. Пример для Titanic
    - Разработка собственного класса Scikit-learn Estimator для задачи по автострахованию Kaggle Inclass. kNN с подобранной метрикой.
    Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
     
    Gagarin, 12 апр 2016
    Goldnadia нравится это.
  2. Похожие складчины
    1. Dr.Vatson
      Dr.Vatson , 11 сен 2015 , в разделе: Курсы по программированию
    2. Хомяк_убийца
      Хомяк_убийца , 6 мар 2020 , в разделе: Курсы по программированию
    3. Dr.Vatson
      Dr.Vatson , 31 май 2023 , в разделе: Курсы по программированию
    4. Dr.Vatson
      Dr.Vatson , 5 июн 2019 , в разделе: Курсы по программированию
    5. Dr.Vatson
      Dr.Vatson , 27 янв 2023 , в разделе: Компьютеры и интернет
    6. Dr.Vatson
      Dr.Vatson , 13 сен 2023 , в разделе: Компьютеры и интернет
    Загрузка...
  3. Aplication
    Aplication Партнёр
  4. SandraW
    SandraW Организатор складчин
    Освой Профессию‌ ‌Data‌ ‌Scientist‌ [SkillBox] _Beach
    Дата-сайентист — одна из самых востребованных профессий в мире.

    Вас ждут 8 курсов, онлайн-лекции и практические задания, а также 2 дипломных проекта.
    После обучения вы сможете претендовать на позицию Junior Data Scientist.

    Чему вы научитесь:
    + Программировать на Python
    + Визуализировать данные
    + Разрабатывать интерактивную инфографику
    + Работать с библиотеками и базами данных (Pandas, NumPy и Matplotlib, PostgreSQL, SQLite3, MongoDB)
    + Программировать на R
    + Применять нейронные сети для решения реальных задач
    + Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras
    + Построите рекомендательную систему и добавите её в своё портфолио

    ПОРА ПРОФЕССИЮ МЕЧТЫ ПРЕВРАЩАТЬ В РЕАЛЬНОСТЬ! _Neo https://www.skladchina.biz/threads/...st-valentin-panovskij-aleksandr-panev.260799/

    P.S. Дефицит дата-сайентистов наблюдается не только в России, но и во всем мире. ВЭФ считает эту профессию одной из самых востребованных в ближайшие пять лет. В России, по данным HeadHunter, только с 2019 по 2020 год число вакансий на должность дата-сайентиста выросло на треть. При этом уровень предлагаемых зарплат в сфере остается высоким — в среднем 150 тысяч рублей в месяц.
     
    SandraW, 16 июл 2021
Статус темы:
Комментирование темы ограничено.
Наверх