[ITtensive] Mашинное обучение: из грязи в Kaggle-князи

Аватар · 14 фев 2021

Машинное обучение: из грязи в Kaggle-князи
Регрессия, классификация, нейросети, ансамбли, обучение с подкреплением, понижение размерности

Описание
Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 3 больших частей:

Регрессия и предсказание данных
Рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE.

Особенности процесса анализа данных (ETL): загрузка, очистка, объединение наборов данных с pandas.

Проведение исследовательского анализа данных для поиска зависимостей: EDA.

Использование sklearn для линейной регрессии.

Интерполяция и экстраполяция данных.

Расчет метрики качества RMSLE для моделей линейной регрессии.

Оптимизация линейной регрессии: выбор наилучших параметров и гиперпараметров.

Оптимизация потребления памяти при работе с большими данными.

Запасные модели линейной регрессии.

Ансамбли линейной регрессии для уточнения предсказания.

Экспорт и импорт данных, включая промежуточные.

Кластеризация и классификация
Отработаем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential.

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.

Нейросети и глубокое обучение
Разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей.

Метрики точности: оценка F1 и коэффициент Дайса.

Очистка данных и обработка изображений.

Загрузка и сохранение моделей и данных в HDF5.

Двухслойный и многослойный перцептрон.

Нейросети со сверточными слоями и слоями подвыборки.

Функции активации, инициализация и оптимизаторы нейросетей.

Преобразование и дополнение (аугментация) бинарных данных.

LeNet, AlexNet, GoogLeNet.

VGG, Inception, ResNet, DenseNet.

Сегментация изображений с MobileNet, Unet, PSPNet и FPN.

Ансамбль нейросетей.

Для кого этот курс:

Аналитики Python, изучающие машинное обучение

Программисты больших данных

Исследователи больших данных

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...

Аватар · 16 фев 2021

Уведомляем вас о начале сбора взносов.
Цена продукта: 880 руб. Взнос с каждого участника: 160 руб.
Кол-во участников в основном списке: 1 чел.

Начало сбора взносов 18 Февраль 2021 года