- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.997
Автор: Udemy
Название: Машинное обучение: регрессия и предсказание данных на Python (2020)
Описание:
Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии
Чему вы научитесь
- Процесс ETL: загрузка, очистка, объединение данных
- Построение и оценка качества модели линейной регрессии
- EDA: исследовательский анализ данных
- Обогащение данных для извлечение 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
Описание
Мы рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.
В этом курсе:
- 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.
Для кого этот курс:
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи большихhttps://s13.eground.org/данных
Подробнее:
Скачать:
Название: Машинное обучение: регрессия и предсказание данных на Python (2020)
Описание:
Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии
Чему вы научитесь
- Процесс ETL: загрузка, очистка, объединение данных
- Построение и оценка качества модели линейной регрессии
- EDA: исследовательский анализ данных
- Обогащение данных для извлечение 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
Описание
Мы рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.
В этом курсе:
- 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.
Для кого этот курс:
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи большихhttps://s13.eground.org/данных
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытый контент для пользователей All-dar.