Машинное обучение: кластеризация и аномалии на Python

Description

Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на support@ittensive.com с названием курса или группы курсов, которые хотите пройти.

Это второй курс из серии Машинное обучение без учителя. На нем вы освоите работу с кластеризацией данных и поиском аномалий на примере задача хакатона Яндекс.Недвижимости по прогнозу срока экспозиции объявлений.

Курс разбит на 4 части. В первой части мы 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 регрессию, а также ансамбли машинного обучения.

Вторая часть посвящена базовым моделям кластеризации:

• Изучите внешние и внутренние метрики кластеризации.

• Разберете модели К-средних и FOREL и потренируетесь в их применении.

• Рассмотрите принципы работы агломеративной кластеризации и используете ее на практике.

• Узнаете про расстояние Махаланобиса и работу GMM.

В качестве задания соберем простую модель кластеризации исходных данных.

В третьей части перейдем к продвинутой кластеризации:

• Погрузитесь в различия моделей DBSCAN, HDBSCAN и OPTICS.

• Разберете особенности модели распространения близости.

• Посмотрите на расширяющийся нейронный газ.

• Запустите и обучите самоорганизующиеся карты Кохонена (SOM).

• Столкнетесь с матрицей Кирхгофа и спектральной кластеризацией.

И соберем ансамбль из несколько моделей кластеризации.

В завершении:

• Изучите поиск аномалий и метрику pAUC.

• Используете тест Смирнова-Граббса на практике.

• Потренируетесь в эллипсоидальной аппроксимации.

• Разберете разницу между LOF и ABOD.

• Обучите и используете модель COPOD.

• Вырастите как iForest, как и расширенный лес изоляции.

В финале соберем свое решение задачи Хакатона 2020 года.

TAKE THIS COURSE