Машинне навчання: з бруду в Kaggle-князі
Регресія, Класифікація, нейромережі, ансамблі, навчання з підкріпленням, зниження розмірності
Опис
Великий практичний курс з усіх аспектів машинного навчання на Python у вирішенні завдань змагання Kaggle. Курс складається з 3 великих частин:
Регресія і передбачення даних
Розглянемо всі практичні аспекти застосування лінійної регресії для передбачення числових показників енергоспоживання.
- особливості процесу аналізу даних( ETL): завантаження, очищення, об'єднання наборів даних з pandas.
- Проведення дослідницького аналізу даних для пошуку залежностей: EDA.
- Використання sklearn для лінійної регресії.
- інтерполяція та екстраполяція даних.
- Розрахунок метрики якості RMSLE для моделей лінійної регресії.
- оптимізація лінійної регресії: вибір найкращих параметрів і гіперпараметрів.
- оптимізація споживання пам'яті при роботі з великими даними.
- Запасні моделі лінійної регресії.
- ансамблі лінійної регресії для уточнення передбачення.
- експорт та імпорт даних, включаючи проміжні.
Кластеризація та класифікація
Відпрацюємо прикладні підходи до кластеризації та класифікації даних за допомогою машинного навчання для страхового скорингу Prudential.
- метрики класифікації: точність, повнота, F1, квадратична каппа і матриця неточностей.
- очищення даних і оптимізація споживання пам'яті.
- кластеризація даних і метод найближчих сусідів.
- проста і ієрархічна логістична регресія.
- Метод найближчих сусідів і пошук оптимальної моделі.
- метод опорних векторів: SVM.
- Дерево прийняття рішення і випадковий ліс (беггінг).
- XGBosot і градієнтний бустинг.
- LightGBM і CatBoost
- Ансамбль стекинга для голосування і вибору кращого результату.
Розберемо сегментацію і класифікацію зображень хмар за допомогою згорткових, пірамідальних, залишкових і повнозв'язних нейронних мереж.
- метрики точності: оцінка F1 і коефіцієнт Дайса.
- очищення даних і обробка зображень.
- завантаження і збереження моделей і даних в HDF5.
- двошаровий і багатошаровий перцептрон.
- нейромережі зі згортковими шарами і шарами підвибірки.
- функції активації, ініціалізація та оптимізатори нейромереж.
- перетворення і доповнення (аугментація) бінарних даних.
- LeNet, AlexNet, GoogLeNet.
- VGG, Inception, ResNet, DenseNet.
- сегментація зображень з MobileNet, Unet, PSPNet і FPN.
- Ансамбль нейромереж.
- аналітики Python, що вивчають Машинне навчання
- програмісти великих даних
- дослідники великих даних
https://privatelink.de/?https://www.udemy.com/course/ittensive-python-machine-learning-zero2hero/