- Регистрация
- 24.09.2021
- Сообщения
- 38 390
Машинное обучение: из грязи в Kaggle-князи Регрессия, классификация, нейросети, ансамбли, обучение с подкреплением, понижение размерности Описание Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 3 больших частей: Регрессия и предсказание данных Рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE. 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. Продолжение описания Кластеризация и классификация Отработаем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential. 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. Нейросети и глубокое обучение Разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей. Метрики точности: оценка F1 и коэффициент Дайса. Очистка данных и обработка изображений. Загрузка и сохранение моделей и данных в HDF5. Двухслойный и многослойный перцептрон. Нейросети со сверточными слоями и слоями подвыборки. Функции активации, инициализация и оптимизаторы нейросетей. Преобразование и дополнение (аугментация) бинарных данных. LeNet, AlexNet, GoogLeNet. VGG, Inception, ResNet, DenseNet. Сегментация изображений с MobileNet, Unet, PSPNet и FPN. Ансамбль нейросетей. Для кого этот курс: Аналитики Python, изучающие машинное обучение Программисты больших данных Исследователи больших данных 
|
