1. Новые покупки Показать еще

    19.01.2017: Индикатор Trender для форекса

    19.01.2017: Индикатор CanalTrend

    19.01.2017: Индикатор Binary для бинарных опционов

    19.01.2017: Доход на партнерках по-женски (Ирина Фрейд)

    19.01.2017: Торги по банкротству по методу Шерлока Холмса. GOLD (Олег Селифанов)

  2. Гость, если у Вас на каком либо сайте есть аккаунт с повышенным статусом, то и у нас вы можете получить соответствующий статус. Подробнее читайте здесь https://www.skladchik.biz/threads/83942/
    Скрыть объявление
  3. Нужен организатор Показать еще

    18.01.2017: Мануал по заработку от 100$ в день, на Google Adsense!

    18.01.2017: Создание интернет-магазина от А до Я OpenCart 2.0 (от webdesign-master.ru)

    16.01.2017: Женский тренинг Дениса Байгужина с Марией Капшуковой...

    16.01.2017: Стратегия ставок на Футбол Бет-Подъем.

    13.01.2017: [Шитье] VIP конструирование для дизайнеров [приватная]

  4. Сбор взносов Показать еще

    19.01.2017: Торги по банкротству по методу Шерлока Холмса. GOLD (Олег Селифанов)

    18.01.2017: Языческое Искусство (Алексей Шадрин)

    15.01.2017: [profileschool] Языческое искусство (Алексей Шадрин)

    15.01.2017: Молниеносное создание трафикового сайта для заработка за 1 день (Александр Борисов и Руслан Белый)

    15.01.2017: Как привлечь состоятельных людей в персональную работу (Сергей Загородников)

Открыто [ML/Класс] DSCource 2. Data Mining с помощью Python

Тема в разделе "Курсы по программированию", создана пользователем Менеджер, 15 ноя 2015.

Цена:
7000р.
Взнос:
77р.

Основной список:

1. deyatel 2. Gendalf_beliy
    Тип: Стандартная складчина
    Участников: 2/100
    1. 15 ноя 2015
      #1
      Менеджер

      Менеджер Член клуба Член клуба

      [ML/Класс] DSCource 2. Data Mining с помощью Python

      Юрий Кашницкий, Data Mining с помощью Python
      Видео лекций, презентации, ссылки по второму курсу данной серии


      "Мы постарались сделать программу так, чтобы в нее входили только самые основные навыки, необходимые в реальной работе. Здесь не будет длинной теории, только практически важные вещи."
      • Юрий Кашницкий, преподаватель Высшей Школы Экономики, умеющий объяснять сложные вещи простым языком, познакомит слушателей сперва с основными инструментами, которые пригодятся начинающему Data Scientist'у, а после проведет курс по машинному обучению, в котором даст необходимые навыки для построения прогнозных моделей

      Data Mining (добыча данных, интеллектуальный анализ данных, глубинный анализ данных) – собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности

      Kaggle – это платформа для исследователей разных уровней, где они могут опробовать свои модели анализа данных на серьезных и актуальных задачах. Суть такого ресурса – не только в возможности получить неплохой денежный приз в случае, если именно ваша модель окажется лучшей, но и в том (а, это, пожалуй, гораздо важнее), чтобы набраться опыта и стать специалистом в области анализа данных и машинного обучения.


      Данный курс освящает практическое применение алгоритмов обработки данных на примере решения одной из самых популярных задач платформы Kaggle, Titanic: Learning from Disaster (предсказание выживших в катастрофе пассажиров)

      Урок 1. Введение
      - Введение в машинное обучение, необходимые навыки
      - Задачи классификации, регрессии и кластеризации
      - Краткий обзор Kaggle
      - Открытие соревнования Kaggle Inclass
      - Знакомство с набором данных по автострахованию этого соревнования
      - Статистические распределения, нормализация признаков, приведение к нормальному распределению
      - Деревья решений
      - Применение дерева решений Scikit-learn к набору данных iris и данным из контеста Kaggle Inclass
      - Настройка параметров дерева, кросс-валидация

      Урок 2. Обзор инструментов
      - Работа с векторами и матрицами в библиотеке NumPy
      - Обзор библиотеки для научных выичслений SciPy
      - Тетрадки Jupyter (IPython) для презентации материала, содержащего код
      - Визуализация данных с Matplotlib
      - Чтение и обработка данных с библиотекой Pandas
      - Решение задачи соревнования Kaggle "Titanic: Learning from Disaster" c помощью Pandas
      - Обзор библиотеки машинного обучения Scikit-learn

      Урок 3. Обучение с учителем. Классификация
      - Работа с признаками – отбор, преобразование, построение
      - Метрики качества алгоритмов машинного обучения (accuracy, precision, recall, F-score). ROC-кривая, AUC
      - Метод максимального правдоподобия
      - Логистическая регрессия

      Урок 4. Обучение с учителем. Ансамбли. Переобучение
      - Случайный лес (Random Forest)
      - Случайный лес на примере набора данных Titanic
      - Случайный лес на примере набора данных по автострахованию
      - Бустинг (boosting) и бэггинг (bagging)
      - Сравнение бустинга и бэггинга на наборах данных репозитория UCI
      - Стекинг. Демонстрация решения задачи категоризации продуктов Otto (вкратце)
      - Переобучение, кросс-валидация, регуляризация
      - Пример регуляризации для логистической регрессии

      Урок 5. Обучение без учителя
      - Обзор методов кластеризации, снижения размерности, поиска аномалий в данных
      - Кластеризации городов России по социально-экономическим показателям
      - Сингулярное разложение матрицы
      - Пример снижения размерности изображений, сжатие изображений
      - Снижение размерности как способ визуализации даных
      - Решение задачи соревнования Kaggle "Titanic: Learning from Disaster" с помощью Python

      Урок 6. Продвинутые методы. API Scikit-learn
      - Нейронные сети, библиотеки nolearn и Lasagne NN
      - Библиотека XGBoost, сравнение с градиентным бустингом в Scikit-learn
      - Пример голосования между алгоритмами для повышения качества классификации
      - Смешивание (блендинг) алгоритмов на примере задачи Kaggle "Titanic: Learning from Disaster"
      - Стекинг. Пример для Titanic
      - Разработка собственного класса Scikit-learn Estimator для задачи по автострахованию Kaggle Inclass. kNN с подобранной метрикой.
      Цена инфопродукта - 7000 руб.

       
    2. Загрузка...

      Similar Threads
      1. Менеджер
        Открыто

        [ML/Класс] DSCource 4. Прикладные области

        Менеджер, 15 ноя 2015, в разделе: Курсы по программированию
      2. Менеджер
        Открыто

        [ML/Класс] DSCource 3. Kaggle Tips & Tricks

        Менеджер, 15 ноя 2015, в разделе: Курсы по программированию
      3. Менеджер
        Открыто

        [ML/Класс] DSCource 1. Инструментарий Data Science

        Менеджер, 15 ноя 2015, в разделе: Курсы по программированию
      4. hp4s
        Куплено

        DSCource 2. Data Mining с помощью Python (Юрий Кашницкий)

        hp4s, 12 апр 2016, в разделе: Курсы по программированию