|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ittensive-python-machine-learning-zero2hero/
课程评论：没有评论
课程名称：从零到Kaggle大神：机器学习实战 课程概述： 本课程是一个大型的Python机器学习实战课程，涵盖了解决Kaggle竞赛的各个方面。课程分为四个主要部分： 1. **机器学习导论** * 循序渐进地讲解数据处理的各个阶段，从任务类型和定义到使用机器学习模型最小化预测误差。 * 深入探讨构建机器学习模型的基础知识、常用评估指标以及简单的模型（如线性回归和逻辑回归）。 2. **回归与数据预测** * 学习基础的线性模型，并详细介绍在线性能预测任务中使用线性回归的实践方法。 * 涵盖数据分析（ETL）的特殊性：使用pandas加载、清理和合并数据集。 * 通过探索性数据分析（EDA）寻找数据间的依赖关系。 * 使用sklearn进行线性回归。 * 数据插值与外插。 * 计算线性回归模型的RMSLE质量指标。 * 线性回归的优化：模型和超参数的最佳选择。 * 处理大数据时优化内存占用。 * 线性回归的备用模型。 * 集成线性回归模型以提高预测精度。 * 数据导入导出，包括中间数据。 3. **分类与集成学习** * 学习分类模型的评估指标和模型，并通过保险评分Prudential的实际案例，掌握分类数据的应用方法（模型与集成）。 * 分类指标：准确率、召回率、F1分数、Kappa系数和混淆矩阵。 * 数据清洗与内存优化。 * 数据聚类与K近邻算法。 * 简单逻辑回归与层次逻辑回归。 * K近邻算法与最优模型搜索。 * 支持向量机（SVM）。 * 决策树与随机森林（Bagging）。 * XGBoost与梯度提升。 * LightGBM与CatBoost。 * Stacking集成学习（投票与模型选择）。 4. **神经网络与深度学习** * 学习使用卷积神经网络、金字塔网络、残差网络和全连接神经网络进行云图像的分割和分类。 * 精度评估指标：F1评分和Dice系数。 * 数据清洗与图像处理。 * 在HDF5格式中加载和保存模型及数据。 * 单层感知机与多层感知机。 * 带卷积层和子采样层的神经网络。 * 激活函数、初始化方法和优化器。 * 二值数据的转换与数据增强。 * 经典网络架构：LeNet, AlexNet, GoogLeNet。 * 现代网络架构：VGG, Inception, ResNet, DenseNet。 * 图像分割：MobileNet, Unet, PSPNet, FPN。 * 神经网络集成。
Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на support@ittensive.com с названием курса или группы курсов, которые хотите пройти.Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 4 больших частей:Введение в машинное обучениеПоследовательно 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.Регрессия и предсказание данныхРассмотрим базовые линейные модели и 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.Классификация и ансамблиРазберем метрики и модели классификации, а затем отработаем прикладные подходы к классификации данных с помощью моделей и ансамблей 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).XGBoost и градиентный бустинг.LightGBM и CatBoostАнсамбль стекинга для голосования и выбора лучшего результата.Нейросети и глубокое обучениеРазберем 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.
