Придбаний Машинное обучение: выделение факторов на Python [Центр digital-профессий ITtensive] [Udemy]

[Gadzhi]

• .

Машинное обучение: выделение факторов на Python
Выигрываем хакатон по выделению факторов: линейная регрессия, взаимная информация, PCA, ICA, NMF, MDS, t-SNE

Авторы:
Последнее обновление: 1/2021
русский




Чему вы научитесь

• Процесс и модель машинного обучения
• Линейная регрессия и L1/L2 регуляризация
• Решающие деревья и ансамбли стекинга
• Корреляция и взаимная информация
• Метод главных компонент (PCA)
• Сингулярное разложение (SVD)
• Анализ независимых компонент (ICA)
• Многомерное шкалирование (MDS)
• t-SNE, UMAP, LargeVis

Материалы курса
10 разделов • 46 лекций • Общая продолжительность 6 ч 19 мин

Требования

• 
  
  
  • Продвинутый Python
  • Основы математической статистики

Описание
Мы разберем задачу хакатона 2020 года по выделению факторов, в наибольшей степени влияющих на продолжительность жизни в России, с точки зрения фундаментальных и прикладных подходов к понижению размерности данных. В заключении построим ансамбль моделей для предсказания продолжительности жизни, базируясь на выделенных факторах.

Курс разбит на 4 части. В первой части мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели - линейную регрессии, решающие деревья и случайный лес. А также ансамбли машинного обучения.

Во второй части на практике разберем:

• 
  
  
  • Очистку и предобработку данных - ETL
  • Линейную регрессию для экстраполяции данных
  • Линейную регрессию с регуляризацией для выделения факторов
  • Информационные критерии понижения размерности

В заключении создадим ансамбль стекинга из простых моделей понижения размерности.

Третья часть посвящена матричным методам:

• 
  
  
  • Метод главных компонент (PCA)
  • Сингулярное разложение (SVD)
  • Анализ независимых компонент (ICA)
  • Положительно-определенные матрицы (NMF)

Уточним решение задачи обучения без учителя через матричные методы.

В четвертой части рассмотрим нелинейные подходы:

• 
  
  
  • Многомерное шкалирование (MDS).
  • t-SNE
  • UMAP
  • LargeVis

Стабилизируем ансамбль понижения размерности и используем его для предсказания продолжительности жизни в России, основываясь на наиболее важных макроэкономических показателях.

Для кого этот курс:

• 
  
  
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных
    
    https://www.udemy.com/course/ittensive-machine-learning-features/#instructor-1