Xrust.ru
Жизнь в стиле Хай-тек.
» » Машинное обучение кластеризация и классификация на Python (2020)
Обучение


Машинное обучение кластеризация и классификация на Python (2020)

30 март 2020, Понедельник
94
0
Машинное обучение кластеризация и классификация на Python (2020)

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

Материалы курса:
1. Задача страхового скоринга
- Страховой скоринг
- F1 и Каппа оценки классификации
- Метод ближайших соседей
- kNN скоринг
2. Логистическая регрессия и опорные векторы
- Обработка данных и оптимизация памяти
- Логистическая регрессия
- Иерархия логистической регрессии
- SVM: метод опорных векторов
- Сравнение классификации
3. Решающие деревья и ансамбли бэггинга и бустинга
- Решающие деревья
- Случайный лес
- Бустинг с XGBoost
- Градиентный бустинг
4. Ансамбль стекинга и финальное решение
- LightGBM
- CatBoost
- Ансамбль классификации
- Расчет результатов
- Финальное решение

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

Требования:
- Продвинутый Python
- Основы математической статистики
- Основы машинного обучения

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

Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)
Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)
Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)Машинное обучение кластеризация и классификация на Python (2020)

Название: Машинное обучение кластеризация и классификация на Python
Год выхода: 2020
Жанр: Видеокурс, программирование, разработка, обучение
Формат видео: MP4 | 1280x720 | AVC
Формат аудио: AAC | 128 kb/s | 48 кГц
Язык: Русский
Продолжительность: 03:04:13
Размер: 3.3 Gb

Подписывайтесь на наш Дзен-канал Xrust, чтобы не пропустить новые статьи!



Скачать Машинное обучение кластеризация и классификация на Python

Пожалуйста зарегистрируйтесь или введите в Панели пользователя логин и пароль.
Если не хотите регистрироваться, то введите логин: demo пароль:demo
Математика для Data Science. Продвинутый курс (2020)
Математика для Data Science. Продвинутый курс (2020)
Обучение
Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из
Python для анализа данных (2019)
Python для анализа данных (2019)
Обучение
Наш курс позволяет освоить Python для анализа данных с нуля. Курс рассчитан на тех, кто не умеет программировать, но хочет научиться. Мы собрали только те инструменты, которые потребуются вам для решения аналитических задач.
Программирование на Python 3 (2019)
Программирование на Python 3 (2019)
Обучение
Курс предназначен для новичков в программировании и шаг за шагом рассматривает не только возможности Python 3, но и базовые концепции программирования: от переменных до классов и исключений.
Обработка и предсказание данных в Python (2019)
Обработка и предсказание данных в Python (2019)
Обучение
Изучим работу с импортом, объединением, преобразованием, фильтрацией данных на pandas, а также научимся линейной регрессии. После прохождения курса вы сможете самостоятельно загружать данные в формате CSV, TSV, Excel, извлекать из них значения,
Moscow Python Conf ++ Профессиональная конференция для Python-разработчиков (2019)
Moscow Python Conf ++ Профессиональная конференция для Python-разработчиков (2019)
Обучение
Конференция Moscow Python Conf ++ посвящена всему, что делают Python разработчики: backend и web, сбор и обработка данных, AI/ML, тестирование, DevOps, базы данных, IoT, infosec. Кроме этого, мы обсуждаем сам язык, его развитие, организацию
PSD Клипарт - Растения: Деревья, Кусты
PSD Клипарт - Растения: Деревья, Кусты
Бесплатные программы
PSD Клипарт - Растения: Деревья, Кусты PSD | 5000x5000 | 300 dpi | 35 MB
Добавить
Комментарии (0)
Прокомментировать
  • bowtiesmilelaughingblushsmileyrelaxedsmirk
    heart_eyeskissing_heartkissing_closed_eyesflushedrelievedsatisfiedgrin
    winkstuck_out_tongue_winking_eyestuck_out_tongue_closed_eyesgrinningkissingstuck_out_tonguesleeping
    worriedfrowninganguishedopen_mouthgrimacingconfusedhushed
    expressionlessunamusedsweat_smilesweatdisappointed_relievedwearypensive
    disappointedconfoundedfearfulcold_sweatperseverecrysob
    joyastonishedscreamtired_faceangryragetriumph
    sleepyyummasksunglassesdizzy_faceimpsmiling_imp
    neutral_faceno_mouthinnocent
Войти через: