Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Машинное обучение: регрессия и предсказание данных на Python
Rating: 4.3 out of 5(18 ratings)
171 students

Машинное обучение: регрессия и предсказание данных на Python

Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии
Created byЦентр digital-профессий ITtensive
Last updated 6/2021
Russian

What you'll learn

  • Процесс ETL: загрузка, очистка, объединение данных
  • Построение и оценка качества модели линейной регрессии
  • EDA: исследовательский анализ данных
  • Обогащение данных для извлечения смысла
  • Оптимизация потребления памяти набором данных
  • Иерархия моделей линейной регрессии
  • Ансамбль моделей линейной регрессии
  • Экспорт и импорт данных в CSV и HDF5
  • Участие в соревнование Kaggle

Course content

8 sections • 37 lectures • 7h 17m total length

  • Задачи машинного обучения9:51

    Разберем, что такое машинное обучение, и посмотрим на его задачи

  • Задачи машинного обучения
  • Модель и процесс машинного обучения7:47

    Разберем, как получается финальный результат машинного обучения

  • Что такое ETL6:09

    Разберем вопросы обогащения, очистки и загрузки данных

  • Процесс машинного обучения
  • Что такое EDA7:18

    Разберем, зачем нужен разведочный анализ данных

  • Подготовка данных13:06

    Разберем нормирование данных

  • Подготовка данных
  • Разбиение выборки9:53

    Посмотрим, зачем нужно разделять выборку, и как это делать

  • Оптимизация гиперпараметров12:40

    Разберем обучение модели и оптимизацию гиперпараметров

  • Латинский квадрат (гиперкуб)7:20
  • Оптимизация гиперпараметров через Парзеновские деревья11:33
  • Недообучение и переобучение10:55

    Разберем оптимальное качество обучения модели

  • Смещение, разброс и ошибка данных10:25
  • Обучение модели
  • Использование HDF6:53

    Разберем, как работает экспорт и импорт данных в задачах машинного обучения

Requirements

  • Продвинутый Python
  • Основы математической статистики

Description

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.

Who this course is for:

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

Report abuse