Машинное обучение: из грязи в Kaggle-князи [Udemy] [Центр digital-профессий ITtensive]

Складчина: Машинное обучение: из грязи в Kaggle-князи [Udemy] [Центр digital-профессий ITtensive]

Машинное обучение: из грязи в Kaggle-князи
Регрессия, классификация, нейросети, ансамбли, обучение с подкреплением, понижение размерности

Описание
Большой практический курс по всем аспектам машинного обучения на Python в решении задач соревнования Kaggle. Курс состоит из 3 больших частей:

Регрессия и предсказание данных
Рассмотрим 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.

Кластеризация и классификация
Отработаем прикладные подходы к кластеризации и классификации данных с помощью 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).
  
  
• XGBosot и градиентный бустинг.
  
  
• LightGBM и CatBoost
  
  
• Ансамбль стекинга для голосования и выбора лучшего результата.

Нейросети и глубокое обучение
Разберем 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.

Для кого этот курс:

• Аналитики Python, изучающие машинное обучение
• Программисты больших данных
• Исследователи больших данных