Overview

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.

Skills

Reviews