课程详情

Мы разберем фундаментальные и прикладные подходы к классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата с помощью ансамбля стекинга.Курс разбит на 2 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 и логистическую регрессии. А также метрики, модели и ансамбли классификации.Во второй части на практике разберем: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 CatBoostАнсамбль стекинга для голосования и выбора лучшего результата.Выгрузка результата для соревнования на Kaggle.

课程标签

0人关注该课程

主题相关的课程