• Напишите нам
  • [email protected]
Перезвоните мне
Круглосуточно
0 Избранное
0 Сравнение
0 Корзина

[Центр digital-профессий ITtensive] Машинное обучение: кластеризация и классификация на Python (2020)

Артикул: 32441
(0)
Наличие товара: В наличии
Бесплатная
Доставка
Гарантия
Возврата
Онлайн
Поддержка
100 рублей
Подробнее

Автор: Центр digital-профессий ITtensive
Название: Машинное обучение: кластеризация и классификация на Python (2020)

2020-03-23_145107-jpg.57682

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

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

Подробнее:
Для просмотра содержимого вам необходимо .

Скачать: