Продвинутый курс машинного обучения

  • Home
  • Продвинутый курс машинного обучения
Shape Image One

Продвинутый курс машинного обучения

Список желаний Поделиться
Поделиться курсом
Ссылка на страницу
Поделиться в социальных сетях

О курсе

На курсе, 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.

Также, рассмотрим базовые линейные модели и все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE.

Разберем метрики и модели классификации, а затем отработаем прикладные подходы к классификации данных с помощью моделей и ансамблей машинного обучения для страхового скоринга Prudential.

Разберем сегментацию и классификацию изображений облаков с помощью сверточных, пирамидальных, остаточных и полносвязных нейронных сетей.

Показать больше

Чему вы научитесь?

  • Процесс и модели машинного обучения
  • Ансамбли бэггинга, бустинга, стекинга
  • Обучение с учителем: 3 больших задачи Kaggle-соревнований
  • Линейная и нелинейная регрессия
  • Кластеризация и классификация
  • Регрессия и предсказание данных
  • Распознавание и сегментация изображений

Содержание курса

Часть 1. Процесс машинного обучения

  • Задачи машинного обучения
  • Задачи машинного обучения
  • Модель и процесс машинного обучения
  • Что такое ETL
  • Процесс машинного обучения
  • Что такое EDA
  • Подготовка данных
  • Подготовка данных
  • Разбиение выборки
  • Оптимизация гиперпараметров
  • Латинский квадрат (гиперкуб)
  • Оптимизация гиперпараметров через Парзеновские деревья
  • Недообучение и переобучение
  • Смещение, разброс и ошибка данных
  • Обучение модели
  • Использование HDF

Метрики и модели

Часть 2. Практикум: Предсказание энергопотребления зданий

Практикум: Оптимизация памяти и обогащение данных

Модели линейной регрессии

Практикум: Конкурентные модели регрессии

Практикум: Ансамбль линейной регрессии

Часть 3. Метрики и модели классификации

Практикум: Задача страхового скоринга

Простые модели классификации

Практикум: Логистическая регрессия и опорные векторы

Ансамблевые модели

Практикум: Решающие деревья и ансамбли бэггинга и бустинга

Продвинутые ансамбли

Практикум: Ансамбль стекинга и финальное решение

Часть 4. Искусственные нейронные сети

Практикум: Распознавание формы облаков

Обучение нейросети

Практикум: Сверточные нейросети

Архитектуры сверточных нейросетей

Практикум: Архитектуры нейронных сетей

Практикум: нейросети для сегментации

Рейтинги и обзоры студентов

Пока нет отзыва
Пока нет отзыва