|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ittensive-python-machine-learning-linear-regression/
课程评论：没有评论
课程名称：利用Python进行回归与数据预测的机器学习 课程概述： 本课程将全面讲解线性回归的理论与实践，通过Kaggle竞赛项目，以ASHRAE能耗数据预测为例，贯穿从项目启动到最终结果生成的全过程。 课程分为两大部分： **第一部分：机器学习基础及模型构建** * **数据处理流程：** 从问题定义和设定开始，逐步涵盖数据处理的各个阶段。 * **机器学习模型构建：** 学习如何构建和优化机器学习模型，以最小化预测误差。 * **核心概念：** 深入理解机器学习模型构建的根本原理，包括基础的评价指标以及线性回归、多项式回归和可线性化回归等简单模型。 **第二部分：实践操作与模型优化** * **数据分析 (ETL) 实操：** 使用pandas进行数据加载、清洗、合并等操作。 * **探索性数据分析 (EDA)：** 通过EDA寻找数据中的关键依赖关系。 * **Scikit-learn (sklearn) 应用：** 学习使用sklearn库实现线性回归。 * **数据插值与外插：** 掌握数据插值和外插的技术。 * **RMSLE评价指标：** 学习计算线性回归模型的RMSLE（均方根对数误差）评价指标。 * **模型优化：** 学习如何通过选择最佳参数和超参数来优化线性回归模型。 * **内存优化：** 针对大数据处理，学习内存优化技巧。 * **备用线性回归模型：** 了解和应用多种线性回归模型。 * **线性回归集成：** 通过集成方法进一步提高预测精度。 * **数据导入导出：** 掌握数据的导入导出，包括中间数据。 * **Kaggle竞赛结果提交：** 学习如何导出和提交Kaggle竞赛所需的结果。
Мы рассмотрим все теоретические и практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.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, полиномиальную и линеаризуемую регрессии.Во второй части разберем на практикуме: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.Выгрузка результата для соревнования на Kaggle.
