Придбаний [Stepik] Практический Machine Learning (Елена Кантонистова)

[Gadzhi]

Чему вы научитесь:

• Изучите классические и современные алгоритмы машинного обучения
• Повторите или освоите математические подходы, необходимые для анализа данных

О курсе:
После прохождения курса вы сможете полностью решать классические задачи анализа данных: начиная от сбора и хранения данных и заканчивая внедрением обученных моделей в продакшн.

Спойлер: Содержание
Организация курса

1. О курсе
2. Инструменты
3. Kaggle
4. Глоссарий

Знакомство с машинным обучением

1. Введение
2. Основные понятия машинного обучения
3. Типы задач в машинном обучении
4. Схема проекта по машинному обучению
5. Оценка обобщающей способности модели
6. Домашнее задание
7. Разведочный анализ данных

Линейные модели регрессии

1. Основы линейной регрессии
2. Регуляризация
3. Практические особенности линейной регрессии
4. Feature engineering
5. Метрики качества регрессии

Градиентный спуск

1. Градиентный спуск для функции одной переменной
2. Градиентный спуск в общем случае
3. Стохастический градиентный спуск

Линейные модели классификации - 1

1. Переход от регрессии к классификации
2. Задача оценивания вероятностей, логистическая регрессия
3. Базовые метрики классификации

Обработка признаков

1. Работа с пропущенными значениями
2. Нормализация данных
3. Кодирование категориальных признаков

Линейные модели классификации - 2

1. Метод опорных векторов
2. Ядровой метод опорных векторов
3. Продвинутые (интегральные) метрики классификации

Многоклассовая классификация

1. Многоклассовая и multilabel-классификация
2. Метод ближайших соседей
3. Быстрый поиск соседей
4. Домашнее задание

Решающие деревья и их композиции

1. Решающее дерево. Введение
2. Обучение решающих деревьев
3. Тонкости решающих деревьев
4. Домашнее задание

Композиции решающих деревьев

1. Разложение ошибки на смещение и разброс
   
2. Бэггинг. Случайный лес
   
3. Бустинг. Градиентный бустинг над решающими
   деревьями
4. Домашнее задание

Модификация бустинга и ускорение обучения

1. XGBoost
   
2. CatBoost
   
3. LightGBM
   
4. Optuna
   
5. Домашнее задание

Пайплайн ML-модели

1. Постановка задачи и разведочный анализ данных
2. Построение базового решения и его первые улучшения
3. Дальнейшие улучшения решения
4. Получение предсказания и интерпретация результатов
5. Соревнование

Снижение размерности данных

1. Методы отбора признаков
2. Метод главных компонент
3. Другие способы снижения размерности
4. Методы визуализации данных
5. Домашнее задание

Кластеризация данных

1. K-means
2. Иерархическая кластеризация
3. DBSCAN, HDBSCAN
4. Метрики качества кластеризации
5. Графовая кластеризация
6. Домашнее задание

Внимание: курс постоянно обновляется, поэтому смотрите актуальное содержание под спойлером.

Продажник:
https://privatelink.de/?https://stepik.org/course/125501/promo#toc