👨‍💻DEV [Stepik] Практический Machine Learning (2023)

[Odyvanchik]

[Stepik] Практический Machine Learning (2023)

Чему вы научитесь:

* Изучите классические и современные алгоритмы машинного обучения

* Повторите или освоите математические подходы, необходимые для анализа данных

О курсе:

После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.

Программа курса:
Организация курса

* О курсе

* Инструменты

* Kaggle

Знакомство с машинным обучением

* Введение

* Основные понятия машинного обучения

* Типы задач в машинном обучении

* Схема проекта по машинному обучению

* Оценка обобщающей способности модели

* Домашнее задание

* Разведочный анализ данных

Линейные модели регрессии

* Основы линейной регрессии

* Регуляризация

* Практические особенности линейной регрессии

* Feature engineering

* Метрики качества регрессии

* Домашнее задание

Линейные модели классификации - 1

* Переход от регрессии к классификации

* Задача оценивания вероятностей, логистическая регрессия

* Базовые метрики классификации

* Домашнее задание

Линейные модели классификации - 2

* Метод опорных векторов

* Ядровой метод опорных векторов

* Продвинутые (интегральные) метрики классификации

* Домашнее задание

Многоклассовая классификация

* Многоклассовая и multilabel-классификация

* Метод ближайших соседей

* Быстрый поиск соседей

* Калибровка вероятностей

Решающие деревья и их композиции

* Решающее дерево

* Тонкости решающих деревьев

* Разложение ошибки на смещение и разброс

* Бэггинг. Случайный лес

* Бустинг. Градиентный бустинг над решающими деревьями

* Современные имплементации градиентного бустинга

Обработка признаков и работа с выбросами

* Работа с пропущенными значениями

* Поиск аномалий

* Кодирование категориальных признаков

Снижение размерности данных

* Методы отбора признаков

* Метод главных компонент

* Сингулярное разложение

* Линейный дискриминантный анализ

* Методы визуализации данных

Кластеризация данных

* K-means

* Иерархическая кластеризация

* DBSCAN, HDBSCAN

* Метрики качества кластеризации

* Графовая кластеризация

Интерпретируемость ML-моделей

* SHAP

* LIME

Рекомендательные системы и ранжирование

* Коллаборативная фильтрация

* Матричные разложения

* Факторизационные машины

* ML-подход

* Метрики качества ранжирования и рекомендаций

* Ранжирование

AutoML

* Автоматический подбор гиперпараметров: Optuna

* Фреймворк для AutoML – H2O

* Обзор других фреймворков (TPOT, auto-sklearn, MLBox)

Прогнозирование временных рядов

* Особенности работы с временными рядами

* Статистические методы прогноза временных рядов

* Адаптивные модели

* Прогнозирование временных рядов с помощью ML

* Библиотеки для анализа временных рядов: prophet



—————————————————————————

🔗 Продажник:

📥 СКАЧАТЬ КУРС:

Для просмотра содержимого вам необходимо Войти или Зарегистрироваться.

🔐 Хотите получить доступ?

Чтобы увидеть скрытые ссылки и ставить лайки, активируйте VIP-статус.

💎 ПОЛУЧИТЬ ДОСТУП Наш Telegram канал