• Напишите нам
  • help@vsekursi24.ru
Перезвоните мне
Круглосуточно
0 Избранное
0 Сравнение
0 Корзина

[Центр digital-профессий ITtensive] Машинное обучение: регрессия и предсказание данных на Python (2020)

Бесплатная
Доставка
Гарантия
Возврата
Онлайн
Поддержка
100 рублей
Подробнее

Автор: Центр digital-профессий ITtensive
Название: Машинное обучение: регрессия и предсказание данных на Python (2020)

2020-03-10_163529-jpg.56568

Машинное обучение: регрессия и предсказание данных на Python [Центр digital-профессий ITtensive]
Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии

Чему вы научитесь
  • Процесс ETL: загрузка, очистка, объединение данных
  • Построение и оценка качества модели линейной регрессии
  • EDA: исследовательский анализ данных
  • Обогащение данных для извлечение смысла
  • Оптимизация потребления памяти набором данных
  • Иерархия моделей линейной регрессии
  • Ансамбль моделей линейной регрессии
  • Экспорт и импорт данных в CSV и HDF5
  • Участие в соревнование Kaggle
Описание
Мы рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:
  • 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.
  • 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: