1. Новые складчины: Показать еще

    27.04.2018: Женская онлайн детокс программа: Весенне-Летний реФреш, обновленный 9 сезон, апрель 2018 (Лиза Фреш)

    27.04.2018: Энциклопедия развивающих игр. От рождения до школы (Елена Данилова)

    27.04.2018: Как за 95 минут Настроить Рекламу в Instagram и Получать Клиентов и Подписчиков (Игорь Зуевич)

    27.04.2018: Гештальт-терапия. Комплект из пяти сборников аудио-лекций (Игорь Погодин)

    27.04.2018: Проработка убеждений и Фокус группа (Колесниченко Константин)

  2. Нужен организатор: Показать еще

    27.04.2018: Звуки для гармонизации судьбы (шумы SithiSound) (Андрей Дуйко)

    27.04.2018: [Вышивка украшений] Мастер-класс "Брошь-орхидея на каркасе"(Katrina Mayzengelter)

    26.04.2018: Прокачай свою Сексуальность" Александр Косоруков

    26.04.2018: Дизайн-проект вашего стиля и гардероба (Татьяна Тимофеева)

    26.04.2018: Применения-углов-В-Д-Ганна-Циклов-Закона-вибрации V2

  3. Сбор взносов Показать еще

    27.04.2018: [Arcanum] Нейрографика. Моделирование реальности (Елена Корниенко)

    27.04.2018: [Викисевс] Видео-курс по конструированию, моделированию и пошиву юбки

    26.04.2018: 55 ошибок в уходе за лицом (Ольга Фем)

    26.04.2018: [Бизнес Молодость] Реальный директ 2.0 (Михаил Дашкиев)

    26.04.2018: [Sigrlynn Art] Леттеринг для начинающих (Анна Суворова)

Куплено

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

Тема в разделе "Курсы по программированию", создана пользователем Aplication, 12 апр 2016.

Цена:
7000 руб
Взнос:
254 руб
Организатор:
Aplication
Участников:
5/30

Список участников складчины:

1. Aplication
2. sk0012 3. a1ik 4. Gizo 5. batazor
Записаться
    Тип: Стандартная складчина
Оценить эту складчину: /5,
  1. Aplication
    Aplication 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.
     
    Aplication, 12 апр 2016
    Goldnadia нравится это.
  2. Aplication
    Aplication Организатор складчин
Участники складчины DSCource 2. Data Mining с помощью Python (Юрий Кашницкий) смогут написать отзыв
Наверх