[Udemy] Mашинное обучение: из грязи в Kaggle-князи (Центр digital-профессий ITtensive)

[Аноним]

Ссылка на картинку

• Машинное обучение: из грязи в Kaggle-князи
  Регрессия, классификация, нейросети, ансамбли, обучение с подкреплением, понижение размерности
  Описание
  Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 3 больших частей:
  Регрессия и предсказание данных
  Рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE.
  • 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.
• Кластеризация и классификация
  Отработаем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential.
  • Метрики классификации: точность, полнота, F1, квадратичная каппа и матрица неточностей.
  • Очистка данных и оптимизация потребления памяти.
  • Кластеризация данных и метод ближайших соседей.
  • Простая и иерархическая логистическая регрессия.
  • Метод ближайших соседей и поиск оптимальной модели.
  • Метод опорных векторов: SVM.
  • Дерево принятия решения и случайный лес (бэггинг).
  • XGBosot и градиентный бустинг.
  • LightGBM и CatBoost
  • Ансамбль стекинга для голосования и выбора лучшего результата.
• Нейросети и глубокое обучение
  Разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей.
  • Метрики точности: оценка F1 и коэффициент Дайса.
  • Очистка данных и обработка изображений.
  • Загрузка и сохранение моделей и данных в HDF5.
  • Двухслойный и многослойный перцептрон.
  • Нейросети со сверточными слоями и слоями подвыборки.
  • Функции активации, инициализация и оптимизаторы нейросетей.
  • Преобразование и дополнение (аугментация) бинарных данных.
  • LeNet, AlexNet, GoogLeNet.
  • VGG, Inception, ResNet, DenseNet.
  • Сегментация изображений с MobileNet, Unet, PSPNet и FPN.
  • Ансамбль нейросетей.
• Для кого этот курс:
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных