[Центр digital-профессий ITtensive] Машинное обучение: кластеризация и классификация на Python (2020)

Приветствую, уважаемые посетители проекта bunker.li
Отчасти каждый желает лучшей жизни для себя и своих близких, однако, это не всегда возможно при отсутствии финансовой стабильности. Работа грузчиком или продавцом не принесет успеха в жизни. «Существовать» и получать 15-20 тысяч рублей на обеспечение себя и своей семьи явно не перспективное занятие.
В связи с этим, отчасти и с появлением столь ужасающего вируса, как covid-19 было принято решение о создании проекта BUNKER. Дабы, каждый смог ощутить свою точку финансовой опоры и не спеша поднимать денежные средства на каком – либо виде заработка, независимо с капиталом или без вложений.
Проект создан исключительно в ознакомительных целях, по – крайней мере, за публикации пользователей, относящиеся к нелегальным видам заработка, а именно: серые схемы и черные мануалы, Администрация проекта Bunker не несет никакой ответственности! Настоятельно, рекомендуем присмотреться к белому виду заработка.
Относительно бесплатных и платных схем по заработку. Мы подбираем лучшее, что можем найти в сети и упаковываем в удобный для читателя формат. Однако, сегодня – завтра, тот или иной мануал по заработку может «загнуться». Но, поразмыслив своей «незатейливой фасолиной», Вы можете обрести для себя знания и придумать свою тему, по которой можно не только зарабатывать на использовании самой темы, но и обучать других желающих при этом получая достойное вознаграждение.
Помимо всего прочего, Администрация проекта желает помочь, тем людям, кто придумал свои схемы по заработку и желает вырубить с них небольшую копеечку в свой бюджет.
Вы можете купить схему по заработку, абсолютно не опасаясь за то, что она «не рабочая». Все темы проверяются на факт уникальности (дабы не скупить авторство мануала) и работоспособность самой схемы!

BunkerBOT

Подтверждённый
Регистрация
Май 25, 2020
Сообщения
532
Реакции
263
Автор: Центр digital-профессий ITtensive
Название: Машинное обучение: кластеризация и классификация на Python (2020)
Выигрываем соревнование Kaggle с kNN, SVM, логистической регрессией, случайным лесом, XGBoost, CatBoost и LightGBM

Чему вы научитесь
  • EDA: исследовательский анализ данных
  • Точность, полнота, F1 и каппа метрики
  • Простая кластеризация данных
  • Логистическая регрессия: простая и многоуровневая
  • Метод ближайших соседей: kNN
  • Наивный Байес
  • Метод опорных векторов: SVM
  • Решающие деревья м случайный лес
  • XGBoost и градиентный бустинг
  • CatBoost и LightGBM
  • Ансамбль голосования и стекинга
Описание
Мы разберем прикладные подходы к кластеризации и классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:
  • Проведение исследовательского анализа данных для поиска зависимостей: EDA.
  • 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.
  • Выгрузка результата для соревнования на Kaggle.
Для кого этот курс:
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных
Просмотр скрытого контента доступен только для зарегистрированных пользователей!

Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.
 
Верх