Программирование [Stepik] Практический Machine Learning (2023)

[Monkey King]

ОПИСАНИЕ:

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:

Авторизуйтесь, чтобы посмотреть скрытый контент

СКАЧАТЬ:

Авторизуйтесь, чтобы посмотреть скрытый контент