Регистрация
Главная
Перейти на главную
Форум
Forum XXX
Блог
Вебмастеру
Фотохост
Хостинг изображений
ABUSE - ЖАЛОБА
Удаление новости с сайта
Покупай не вставая с кресла

OZON.ru     Yakaboo
Навигатор
Реклама
код


Скачать Эротику


Реклама
код
Теги
club compilation Cерия произведений dance electro house mix photoshop pop portable rock trance va VA-Album Аудиокнига Видеокурс Видеоурок Книга Книга в MP3 Книжная коллекция Книжный сборник Коллекция книг Коллекция произведений Сборник произведений Электронное издание аудиокниги бизнес здоровье книжная серия литература обработка обучение психология саморазвитие сборник сочинений серия книг фантастика фотография фотошоп электронная книга
Популярные новости


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




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

Скачать Машинное обучение кластеризация и классификация на Python (2020)

Редактировать Избранное Как скачать? Написать жалобу Оставить комментарий
Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
Комментарии