Машинное обучение: из грязи в Kaggle-князи

Регрессия, классификация, ансамбли и глубокие нейросети
IT: Для программистов и IT-специалистов / Python
Udemy логоUdemy
Открытый набор
Онлайн
от 1 290 ₽
Зарегистрироваться

Чему вы научитесь

  • Процесс и модели машинного обучения
  • Ансамбли бэггинга, бустинга, стекинга
  • Обучение с учителем: 3 больших задачи Kaggle-соревнований
  • Линейная и нелинейная регрессия
  • Кластеризация и классификация
  • Регрессия и предсказание данных
  • Распознавание и сегментация изображений

Требования

  • Основы машинного обучения
  • Основы математической статистики
  • Продвинутый Python

Описание

Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 4 больших частей:

Введение в машинное обучение

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 и логистическую регрессии.

Регрессия и предсказание данных

Рассмотрим базовые линейные модели и 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.

Классификация и ансамбли

Разберем метрики и модели классификации, а затем отработаем прикладные подходы к классификации данных с помощью моделей и ансамблей 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).

  • XGBoost 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
Программа
Часть 1. Процесс машинного обучения
Метрики и модели
Часть 2. Практикум: Предсказание энергопотребления зданий
Практикум: Оптимизация памяти и обогащение данных
Модели линейной регрессии
Практикум: Конкурентные модели регрессии
Практикум: Ансамбль линейной регрессии
Часть 3. Метрики и модели классификации
Практикум: Задача страхового скоринга
Простые модели классификации
Практикум: Логистическая регрессия и опорные векторы
Ансамблевые модели
Практикум: Решающие деревья и ансамбли бэггинга и бустинга
Продвинутые ансамбли
Практикум: Ансамбль стекинга и финальное решение
Часть 4. Искусственные нейронные сети
Практикум: Распознавание формы облаков
Обучение нейросети
Практикум: Сверточные нейросети
Архитектуры сверточных нейросетей
Практикум: Архитектуры нейронных сетей
Практикум: нейросети для сегментации
Записаться на курс
Текущая цена
1 290
13 490
Открытый набор
Онлайн
от 1 290 ₽
Зарегистрироваться