1. Новые складчины: Показать еще

    19.12.2017: Мини-курс по обработке от Артема Кондратенкова

    19.12.2017: Школа шопинга. Базовый курс "Студент" (Татьяна Тимофеева)

    19.12.2017: Школа Шоппинга. Продвинутый курс - стилистика (Татьяна Тимофеева)

    19.12.2017: Справочник фэн шуй ПРО 2018, электронная версия

    19.12.2017: Выбор Дат + программа Выбор Дат пакетное предложение

  2. Нужен организатор: Показать еще

    18.12.2017: Курс с 0 до Профи по работе со станком с ЧПУ

    18.12.2017: Тайны Символических звезд 2ое издание (Юлия Бальсина)

    18.12.2017: Как выйти замуж. [Пакет начальный] (Юлия Ланске)

    18.12.2017: Видео Курс Александра Герчика

    18.12.2017: Точный счет на договорной матч

  3. Сбор взносов Показать еще

    19.12.2017: Базовый курс по съемке и обработке 2017 (Антон Исаев)

    18.12.2017: "Успешный контакт" тариф "Эконом" (Сергей Абалмасов)

    18.12.2017: Интернет-магазин своими руками (Павел Берестнев)

    18.12.2017: Эволюция понимания денег 2.0 (Алексей Похабов)

    18.12.2017: Марафон по женскому оргазму (Татьяна Славина)

Запись

[ML/Класс] DSCource 2. Data Mining с помощью Python

Тема в разделе "Курсы по программированию", создана пользователем Telegram, 14 ноя 2015.

Цена:
7000 руб
Взнос:
77 руб
Организатор:
Требуется
Участников:
1/100

Основной список:

1. Gizo
Записаться
    Тип: Стандартная складчина
  1. Telegram
    Telegram Организатор складчин

    [ML/Класс] DSCource 2. Data Mining с помощью Python

    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.
    Цена инфопродукта - 7000 руб.

     
    Telegram, 14 ноя 2015
Участники складчины [ML/Класс] DSCource 2. Data Mining с помощью Python смогут написать отзыв
Наверх