Главная » Файлы » Вебмастеру

Машинное обучение кластеризация и классификация на Python (2020)


Выигрываем соревнование Kaggle с kNN, SVM, логистической регрессией, случайным лесом, XGBoost, CatBoost и LightGBM. 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.

Материалы курса:
1. Задача страхового скоринга
- Страховой скоринг
- F1 и Каппа оценки классификации
- Метод ближайших соседей
- kNN скоринг
2. Логистическая регрессия и опорные векторы
- Обработка данных и оптимизация памяти
- Логистическая регрессия
- Иерархия логистической регрессии
- SVM: метод опорных векторов
- Сравнение классификации
3. Решающие деревья и ансамбли бэггинга и бустинга
- Решающие деревья
- Случайный лес
- Бустинг с XGBoost
- Градиентный бустинг
4. Ансамбль стекинга и финальное решение
- LightGBM
- CatBoost
- Ансамбль классификации
- Расчет результатов
- Финальное решение

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

Требования:
- Продвинутый Python
- Основы математической статистики
- Основы машинного обучения

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.

Для кого этот курс:
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи больших данных




Название: Машинное обучение кластеризация и классификация на Python
Год выхода: 2020
Жанр: Видеокурс, программирование, разработка, обучение
Формат видео: MP4 | 1280x720 | AVC
Формат аудио: AAC | 128 kb/s | 48 кГц
Язык: Русский
Продолжительность: 03:04:13
Размер: 3.3 Gb

Скачать Машинное обучение кластеризация и классификация на Python (2020)

Экономте на покупках в магазинах Aliexpress

Понравилась новость. Поделись с друзьями.

Вы сейчас просматриваете статью Машинное обучение кластеризация и классификация на Python (2020). Данная статья находится в категории Вебмастеру. Чтобы увидеть другие новости из этой категории, перейдите по этой ссылке: Вебмастеру. Надеемся вам понравилась статья Машинное обучение кластеризация и классификация на Python (2020) и пригодилась.
Категория: Вебмастеру | Добавил: Kioka83 | Теги: обучение, разработка, Видеокурс, программирование
Просмотров: 29 |


Другие новости:
 
  • Essential Electro Freak vol 1 (2015)
  • VA - There Where We Will Not Be (2013)
  • VA -Jazz Afro Deep House Party (2014)
  • VA -Clubland 25 (Explicit) (2014)
  • VA - Fetenkult Oktoberfest 2014 (2014)
  • Energetic House Training (2015)
  • Золото Русского Рока Второй Выпуск (2015)
  • Счастья Взаймы: Авторский Сборник (2015)
  • VA -Dance Summer Hit (2014)
  • VA - Grazy About Deep House Mix (2013) Mp3
  • Psy Trance Master (2015)
  • The Muse Of Light (2015)
  • VA -Место Встречи Пляж: Сборник Попсы (2014)
  • Kira Isabella - Caffeine & Big Dreams (2014)
  • VA - Pure Deep House (2014)
  • Surf Deep House (2015)
  • Naturell Relax Vibration (2015)
  • VA - Erotik Greenset Love Longe Mix (2014)
  • VA -Monster Sound: Trance Collection (2014)
  • Synthetic Love: Techno Edition (2015)