• Напишите нам
  • [email protected]
  • Отзывы о магазине
Перезвоните мне
Круглосуточно
0 Избранное
0 Сравнение
0 Корзина

Машинное обучение: выделение факторов на Python (Центр digital-профессий ITtensive)

Артикул: 2045557
(0)
Наличие товара: В наличии
Доставка на email
Гарантия
Возврата
Онлайн
Поддержка
450 рублей
Подробнее

Чему вы научитесь

  • Процесс и модель машинного обучения
  • Заполнение пропусков в данных
  • Линейная регрессия и L1/L2 регуляризация
  • Решающие деревья и ансамбли стекинга
  • Корреляция и взаимная информация
  • Метод главных компонент (PCA)
  • Сингулярное разложение (SVD)
  • Анализ независимых компонент (ICA)
  • Многомерное шкалирование (MDS)
  • t-SNE, UMAP, LargeVis
Требования
  • Продвинутый Python
  • Основы математической статистики

Описание
Мы разберем задачу хакатона 2020 года по выделению факторов, в наибольшей степени влияющих на продолжительность жизни в России, с точки зрения фундаментальных и прикладных подходов к понижению размерности данных. В заключении построим ансамбль моделей для предсказания продолжительности жизни, базируясь на выделенных факторах.
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 регрессии, решающие деревья и случайный лес. А также ансамбли машинного обучения.
Во второй части на практике разберем:
  • Очистку и предобработку данных - ETL
  • Линейную регрессию для экстраполяции данных
  • Линейную регрессию с регуляризацией для выделения факторов
  • Информационные критерии понижения размерности
В заключении создадим ансамбль стекинга из простых моделей понижения размерности.
Третья часть посвящена матричным методам:
  • Метод главных компонент (PCA)
  • Сингулярное разложение (SVD)
  • Анализ независимых компонент (ICA)
  • Положительно-определенные матрицы (NMF)
Уточним решение задачи обучения без учителя через матричные методы.
В четвертой части рассмотрим нелинейные подходы:
  • Многомерное шкалирование (MDS).
  • t-SNE
  • UMAP
  • LargeVis
Стабилизируем ансамбль понижения размерности и используем его для предсказания продолжительности жизни в России, основываясь на наиболее важных макроэкономических показателях.
Для кого этот курс:
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных