Корзина покупок пуста.
Вы можете выбрать товар из Каталога.
Вы можете выбрать товар из Каталога.
![[Udemy] Java. Клиент-серверное приложение. Многопоточное (Евгений Волосатов)](https://i4.storeland.net/2/5905/159045374/baec64/udemy-java-klient-servernoe-prilozhenie-mnogopotochnoe-evgenij-volosatov.png)
![[Udemy] Js Express (Дмитрий Матросов)](https://i4.storeland.net/2/5905/159045382/baec64/udemy-js-express-dmitrij-matrosov.jpg)
![[ITtensive] Машинное обучение: выделение факторов на Python](https://i4.storeland.net/2/5905/159044585/afacdb/ittensive-mashinnoe-obuchenie-vydelenie-faktorov-na-python.jpg "[ITtensive] Машинное обучение: выделение факторов на Python")
Бесплатная
Доставка
Доставка
Гарантия
Возврата
Возврата
Онлайн
Поддержка
Поддержка
713 рублей
![[?IMG]](proxy.php?image=https%3A%2F%2Fa.radikal.ru%2Fa36%2F2101%2F58%2F8e3fcd1b5112.jpg&hash=29f4d90cfa79196ad38be7d94dff4236&v=4)
? Чему вы научитесь
- Процесс и модель машинного обучения
- Заполнение пропусков в данных
- Линейная регрессия и L1/L2 регуляризация
- Решающие деревья и ансамбли стекинга
- Корреляция и взаимная информация
- Метод главных компонент (PCA)
- Сингулярное разложение (SVD)
- Анализ независимых компонент (ICA)
- Многомерное шкалирование (MDS)
- t-SNE, UMAP, LargeVis
- Продвинутый Python
- Основы математической статистики
Мы разберем задачу хакатона 2020 года по выделению факторов, в наибольшей степени влияющих на продолжительность жизни в России, с точки зрения фундаментальных и прикладных подходов к понижению размерности данных. В заключении построим ансамбль моделей для предсказания продолжительности жизни, базируясь на выделенных факторах.
Курс разбит на 4 части.
В первой части мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную регрессии, решающие деревья и случайный лес. А также ансамбли машинного обучения.
Во второй части на практике разберем:
- Очистку и предобработку данных - ETL
- Линейную регрессию для экстраполяции данных
- Линейную регрессию с регуляризацией для выделения факторов
- Информационные критерии понижения размерности
Третья часть посвящена матричным методам:
В четвертой части рассмотрим нелинейные подходы:
Для кого этот курс:
- Метод главных компонент (PCA)
- Сингулярное разложение (SVD)
- Анализ независимых компонент (ICA)
- Положительно-определенные матрицы (NMF)
В четвертой части рассмотрим нелинейные подходы:
- Многомерное шкалирование (MDS).
- t-SNE
- UMAP
- LargeVis
Для кого этот курс:
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи больших данных
