- Регистрация
- 24.09.2021
- Сообщения
- 38 390
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 Описание: 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. 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 
|
