Программирование [Udemy] Машинное обучение: регрессия и предсказание данных на Python (2020)

Чему вы научитесь:
  • Процесс ETL: загрузка, очистка, объединение данных
  • Построение и оценка качества модели линейной регрессии
  • EDA: исследовательский анализ данных
  • Обогащение данных для извлечение смысла
  • Оптимизация потребления памяти набором данных
  • Иерархия моделей линейной регрессии
  • Ансамбль моделей линейной регрессии
  • Экспорт и импорт данных в CSV и HDF5
  • Участие в соревнование Kaggle
Требования:
  • Продвинутый Python
  • Основы математической статистики
Описание:

Мы рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:
  • 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.
  • Выгрузка результата для соревнования на Kaggle.
Для кого этот курс:
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных

СКАЧАТЬ КУРС:
 

Последнее редактирование модератором:

Обратите внимание

Назад
Сверху