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 [Udemy] Машинное обучение: кластеризация и классификация на Python [Центр digital-профессий ITtensiv

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

0/5, Голосов: 0

Этап:
Набор участников
Цена:
959.00 руб.
Участников:
0 из 10
Организатор:
требуется
0%
Расчетный взнос:
106 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 2 оплаченных складчин.
    Машинное обучение: кластеризация и классификация на Python

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

    Язык: Русский
    Автор: Центр digital-профессий ITtensive
    Лекций: -
    Продолжительность: -

    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
    Скрытый контент.
    Машинное обучение: классификация и ансамбли на Python .
     
Мы в Telegram: Сохранить в соц. сетях:
Оценить эту тему:
/5,
Похожие темы
  1. Солнышко
    Ответов:
    0
    Просмотров:
    20
  2. Таточка
    Ответов:
    0
    Просмотров:
    14
  3. Таточка
    Ответов:
    0
    Просмотров:
    23
  4. Таточка
    Ответов:
    0
    Просмотров:
    20
  5. Таточка
    Ответов:
    0
    Просмотров:
    19
Загрузка...
  1. Этот сайт использует файлы cookie. Продолжая пользоваться данным сайтом, Вы соглашаетесь на использование нами Ваших файлов cookie.
    Скрыть объявление