Laurik
Джедай
- 2 Ноя 2013
- 1.959
- 48.522
Машинное обучение: кластеризация и классификация на Python
Автор: Udemy
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
Описание:
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.
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
Скачать:
Автор: Udemy
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
Описание:
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.
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
У вас нет прав на просмотр ссылок, пожалуйста: Вход или Регистрация
Скачать:
Для просмотра скрытого контента необходимо Войти или Зарегистрироваться.
Последнее редактирование модератором:
