Машинное обучение: регрессия и предсказание данных на Python
Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии
Ratings 4.09 / 5.00
What You Will Learn!
- Процесс ETL: загрузка, очистка, объединение данных
- Построение и оценка качества модели линейной регрессии
- EDA: исследовательский анализ данных
- Обогащение данных для извлечения 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
Description
Мы рассмотрим все теоретические и практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.
Курс разбит на 2 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, полиномиальную и линеаризуемую регрессии.
Во второй части разберем на практикуме:
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.
Who Should Attend!
- Аналитики Python, изучающие машинное обучение
- Программисты больших данных
- Исследователи больших данных
