Машинное обучение: кластеризация и классификация на Python [Udemy]

[Аноним]

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

Требования:

• Продвинутый Python
• Основы математической статистики
• Основы машинного обучения

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