Корзина покупок пуста.
Вы можете выбрать товар из Каталога.
Вы можете выбрать товар из Каталога.
![[Udemy] Mikhail Chirkov - Python: Быстрый старт (2020)](https://i1.storeland.net/2/5878/158770755/baec64/udemy-mikhail-chirkov-python-bystryj-start-2020.png)
Артикул: 32900
Наличие товара: В наличии
![[Udemy] Mikhail Krivosheev - Дополнительные возможности редактора Canva (2021)](https://i1.storeland.net/2/5878/158770759/baec64/udemy-mikhail-krivosheev-dopolnitelnye-vozmozhnosti-redaktora-canva-2021.png)
![[Udemy] Машинное обучение: выделение факторов на Python (2021)](https://i4.storeland.net/2/5878/158770721/afacdb/udemy-mashinnoe-obuchenie-vydelenie-faktorov-na-python-2021.png "[Udemy] Машинное обучение: выделение факторов на Python (2021)")
Бесплатная
Доставка
Доставка
Гарантия
Возврата
Возврата
Онлайн
Поддержка
Поддержка
100 рублей
Автор: Udemy
Название: Машинное обучение: выделение факторов на Python (2021)
Описание:
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
В заключении создадим ансамбль стекинга из простых моделей понижения размерности.
Третья часть посвящена матричным методам:
Метод главных компонент (PCA)
Сингулярное разложение (SVD)
Анализ независимых компонент (ICA)
Положительно-определенные матрицы (NMF)
Уточним решение задачи обучения без учителя через матричные методы.
В четвертой части рассмотрим нелинейные подходы:
Многомерное шкалирование (MDS).
t-SNE
UMAP
LargeVis
Стабилизируем ансамбль понижения размерности и используем его для предсказания продолжительности жизни в России, основываясь на наиболее важных макроэкономических показателях.
Для кого этот курс:
Аналитики Python, изучающие машинное обучение
Программисты больших данных
Исследователи больших данных
Чему вы научитесь:
- Процесс и модель машинного обучения
- 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
Подробнее:
Скачать:
