1. Мы открыли доступ к ранее скрытому контенту.

    Вам доступно более 44 000 видео уроков, книг и программ без VIP статуса. Более подробно ЗДЕСЬ.
    Скрыть объявление

Активно Машинное обучение: из грязи в Kaggle-князи [Udemy] [Центр digital-профессий ITtensive]

Тема в разделе "Программирование", создана пользователем Таточка, 22 май 2020.

0/5, Голосов: 0

Метки:
Этап:
Набор участников
Цена:
899.00 руб.
Участников:
0 из 10
Организатор:
требуется
0%
Расчетный взнос:
99 руб.
  • (Записывайтесь, чем больше участников, тем меньше расчетный взнос)

  1. Таточка

    Таточка Администратор Администратор

    Сообщения:
    24.798
    Симпатии:
    8.768

    • - Для записи в складчину необходимо подать заявку или 10 оплаченных складчин.
    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 контент.
    Машинное обучение: из грязи в Kaggle-князи .
     
Мы в Telegram: Сохранить в соц. сетях:
Оценить эту тему:
/5,
Похожие темы
  1. Таточка
    Ответов:
    0
    Просмотров:
    23
  2. Таточка
    Ответов:
    0
    Просмотров:
    20
  3. Таточка
    Ответов:
    0
    Просмотров:
    20
  4. Таточка
    Ответов:
    0
    Просмотров:
    19
  5. Таточка
    Ответов:
    0
    Просмотров:
    64
Загрузка...
  1. Этот сайт использует файлы cookie. Продолжая пользоваться данным сайтом, Вы соглашаетесь на использование нами Ваших файлов cookie.
    Скрыть объявление