|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ittensive-machine-learning-clustering/
课程评论：没有评论
课程名称：Python 机器学习：聚类与异常检测 课程概述： 这是“无监督学习”系列中的第二门课程。在本课程中，您将学习如何对数据进行聚类以及如何进行异常检测，并以 Yandex.Realty 的黑客马拉松项目——预测房产广告挂牌时间为例。 **课程共分为四个部分：** **第一部分：数据工作流程** * 数据处理的各个阶段：从任务类型和制定到机器学习模型，旨在最小化预测误差。 * 机器学习模型构建的基础知识、基本指标以及线性回归和集成学习模型。 **第二部分：基础聚类模型** * 学习聚类的外部和内部指标。 * 解析 K-means 和 FOREL 模型，并进行实践应用。 * 了解凝聚聚类的工作原理并进行实际应用。 * 学习 Mahalanobis 距离和 GMM 的工作原理。 * 通过练习构建一个简单的原始数据聚类模型。 **第三部分：进阶聚类** * 深入了解 DBSCAN、HDBSCAN 和 OPTICS 模型之间的区别。 * 解析邻域传播模型（Proximity Spreading）的特点。 * 学习扩张神经网络（Growing Neural Gas）。 * 运行和训练 Kohonen 自组织映射（SOM）。 * 接触 Kirchhoff 矩阵和谱聚类。 * 构建一个多聚类模型集成。 **第四部分：异常检测** * 学习异常检测和 pAUC 指标。 * 实践 Smirnov-Grubbs 检验。 * 练习椭圆近似。 * 解析 LOF 和 ABOD 之间的差异。 * 训练并使用 COPOD 模型。 * 学习 Isolation Forest 和 Enhanced Isolation Forest。 * 最终，构建解决方案以应对 2020 年黑客马拉松挑战。 **重要提示：** 如需访问 ITtensive 课程，请发送电子邮件至 support@ittensive.com，并在邮件中注明您希望学习的课程名称或课程组。
Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на support@ittensive.com с названием курса или группы курсов, которые хотите пройти.Это второй курс из серии Машинное обучение без учителя. На нем вы освоите работу с кластеризацией данных и поиском аномалий на примере задача хакатона Яндекс.Недвижимости по прогнозу срока экспозиции объявлений.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 регрессию, а также ансамбли машинного обучения.Вторая часть посвящена базовым моделям кластеризации:Изучите внешние и внутренние метрики кластеризации.Разберете модели К-средних и FOREL и потренируетесь в их применении.Рассмотрите принципы работы агломеративной кластеризации и используете ее на практике.Узнаете про расстояние Махаланобиса и работу GMM.В качестве задания соберем простую модель кластеризации исходных данных.В третьей части перейдем к продвинутой кластеризации:Погрузитесь в различия моделей DBSCAN, HDBSCAN и OPTICS.Разберете особенности модели распространения близости.Посмотрите на расширяющийся нейронный газ.Запустите и обучите самоорганизующиеся карты Кохонена (SOM).Столкнетесь с матрицей Кирхгофа и спектральной кластеризацией.И соберем ансамбль из несколько моделей кластеризации.В завершении:Изучите поиск аномалий и метрику pAUC.Используете тест Смирнова-Граббса на практике.Потренируетесь в эллипсоидальной аппроксимации.Разберете разницу между LOF и ABOD.Обучите и используете модель COPOD.Вырастите как iForest, как и расширенный лес изоляции.В финале соберем свое решение задачи Хакатона 2020 года.
