Машинное обучение: из грязи в Kaggle-князи

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 обучение

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 и логистическую регрессии.

Регрессия и предсказание данных

Рассмотрим 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 ансамбли

Разберем 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 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.