Машинное обучение - Подготовка данных (Модуль 1) [stepik] [Алексей Кожакин]
Данный курс является первым модулем из серии моих курсов по машинному обучению (ML). В этом курсе в качестве задачи будет рассматриваться прогнозирование в футбольной аналитике. Мы сосредоточимся на сборе данных, которые будут использоваться для прогнозирования в следующих модулях. Помимо сбора данных, мы также применим некоторые техники предобработки данных.
Программа курса
1. Введение
О курсе
Среда разработки
2. Сбор данных с использованием парсинга
Выбор источника данных
Выбор метода парсинга
Определение целевых данных
Разработка скрипта парсинга
Библиотека прасинга датасета
3. Обзор данных
Обзор датасета
Библиотеки для анализа данных
4. Очистка данных
Важность и цель очистки данных.
Устранение дубликатов
Методы заполнения пропущенных данных.
Целевая переменная
Входные параметры
5. Валидация данных
Проверка качества данных после очистки и обработки
Проверка точност на моделях
Анализ важности признаков
6. Кластерный анализ
Понижение размерности
Кластерный анализ
Добавление новых параметров
Оценка качества модели после применения кластеризации
7. Нормализация и стандартизация данных
Приведение данных к единообразному формату.
Преобразование категориальных признаков.
Оценка качества модели после нормализации модели
8. Балансировка данных
Статистический анализ
Балансировка данных
Автор: Алексей Кожакин
Мне очень нравится помогать ученикам, изучающим Python, разбираться в сложных моментах и показывать наилучший путь изучения программирования, чтобы они могли стать успешными разработчиками.
Цена 500 р.
Данный курс является первым модулем из серии моих курсов по машинному обучению (ML). В этом курсе в качестве задачи будет рассматриваться прогнозирование в футбольной аналитике. Мы сосредоточимся на сборе данных, которые будут использоваться для прогнозирования в следующих модулях. Помимо сбора данных, мы также применим некоторые техники предобработки данных.
Программа курса
1. Введение
О курсе
Среда разработки
2. Сбор данных с использованием парсинга
Выбор источника данных
Выбор метода парсинга
Определение целевых данных
Разработка скрипта парсинга
Библиотека прасинга датасета
3. Обзор данных
Обзор датасета
Библиотеки для анализа данных
4. Очистка данных
Важность и цель очистки данных.
Устранение дубликатов
Методы заполнения пропущенных данных.
Целевая переменная
Входные параметры
5. Валидация данных
Проверка качества данных после очистки и обработки
Проверка точност на моделях
Анализ важности признаков
6. Кластерный анализ
Понижение размерности
Кластерный анализ
Добавление новых параметров
Оценка качества модели после применения кластеризации
7. Нормализация и стандартизация данных
Приведение данных к единообразному формату.
Преобразование категориальных признаков.
Оценка качества модели после нормализации модели
8. Балансировка данных
Статистический анализ
Балансировка данных
Автор: Алексей Кожакин
Мне очень нравится помогать ученикам, изучающим Python, разбираться в сложных моментах и показывать наилучший путь изучения программирования, чтобы они могли стать успешными разработчиками.
Цена 500 р.
https://stepik.org/course/175964/promo