» » Машинное обучение кластеризация и классификация на Python (2020)

Кто онлайн

Шаблоны для DLEторрентом
Всего на сайте: 14
Пользователей: 0
Гостей: 14
Популярное

Топ журналистов

SamDel
ICQ: -Не указано-
Публикаций: 6025
didl3
ICQ: -Не указано-
Публикаций: 3488
drakon-55
ICQ: -Не указано-
Публикаций: 2788
rabindranat
ICQ: -Не указано-
Публикаций: 2306
super-boy
ICQ: -Не указано-
Публикаций: 2225
Друзья сайта  


Mus Zona

Starpior.ru

Timbercar

Название сайта

Реклама

---

Счётчики

Top.Mail.Ru
Каталог сайтов и статей iLinks.RU Каталог сайтов Всего.RU
Опрос
Оцените работу движка
Лучший из новостных
Неплохой движок
Устраивает ... но ...
Встречал и получше
Совсем не понравился

Машинное обучение кластеризация и классификация на Python (2020)

Выигрываем соревнование Kaggle с kNN, SVM, логистической регрессией, случайным лесом, XGBoost, CatBoost и LightGBM. Мы разберем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата.

Материалы курса:
1. Задача страхового скоринга
- Страховой скоринг
- F1 и Каппа оценки классификации
- Метод ближайших соседей
- kNN скоринг
2. Логистическая регрессия и опорные векторы
- Обработка данных и оптимизация памяти
- Логистическая регрессия
- Иерархия логистической регрессии
- SVM: метод опорных векторов
- Сравнение классификации
3. Решающие деревья и ансамбли бэггинга и бустинга
- Решающие деревья
- Случайный лес
- Бустинг с XGBoost
- Градиентный бустинг
4. Ансамбль стекинга и финальное решение
- LightGBM
- CatBoost
- Ансамбль классификации
- Расчет результатов
- Финальное решение

Чему вы научитесь:
- EDA: исследовательский анализ данных
- Точность, полнота, F1 и каппа метрики
- Простая кластеризация данных
- Логистическая регрессия: простая и многоуровневая
- Метод ближайших соседей: kNN
- Наивный Байес
- Метод опорных векторов: SVM
- Решающие деревья м случайный лес
- XGBoost и градиентный бустинг
- CatBoost и LightGBM
- Ансамбль голосования и стекинга

Требования:
- Продвинутый Python
- Основы математической статистики
- Основы машинного обучения

В этом курсе:
- Проведение исследовательского анализа данных для поиска зависимостей: EDA.
- 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.
- Выгрузка результата для соревнования на Kaggle.

Для кого этот курс:
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи больших данных

Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020) Машинное обучение кластеризация и классификация на Python (2020)

Название: Машинное обучение кластеризация и классификация на Python
Год выхода: 2020
Жанр: Видеокурс, программирование, разработка, обучение
Формат видео: MP4 | 1280x720 | AVC
Формат аудио: AAC | 128 kb/s | 48 кГц
Язык: Русский
Продолжительность: 03:04:13
Размер: 3.3 Gb

Скачать Машинное обучение кластеризация и классификация на Python (2020)

скачать dle 10.2 КиноСвин

Теги: Видеокурс, программирование, разработка, обучение

Вернуться
Категория: Фильмы

Также рекомендуем:

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
Verification: 8ad0dab893f59fe7