Машинное обучение без учителя на Python: полный курс

Description

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

Мы разберем 2 задачи с хакатонов 2020 года:

1. По выделению факторов, в наибольшей степени влияющих на продолжительность жизни в России, с точки зрения фундаментальных и прикладных подходов к понижению размерности данных. В заключении построим ансамбль моделей для предсказания продолжительности жизни, базируясь на выделенных факторах.

2. По прогнозу срока экспозиции объявлений с хакатона Яндекс.Недвижимости - решим ее с помощью методов кластеризации и поиска аномалий.

Курс разбит на 7 частей. 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 регрессии, решающие деревья и случайный лес. А также ансамбли машинного обучения.

Во второй части на практике разберем:

• Очистку и предобработку данных - ETL

• Линейную регрессию для экстраполяции данных

• Линейную регрессию с регуляризацией для выделения факторов

• Информационные критерии понижения размерности

В заключении создадим ансамбль стекинга из простых моделей понижения размерности.

Третья часть посвящена матричным методам:

• Метод главных компонент (PCA)

• Сингулярное разложение (SVD)

• Анализ независимых компонент (ICA)

• Положительно-определенные матрицы (NMF)

Уточним решение задачи обучения без учителя через матричные методы.

В четвертой части рассмотрим нелинейные подходы:

• Многомерное шкалирование (MDS).

• t-SNE

• UMAP

• LargeVis

Стабилизируем ансамбль понижения размерности и используем его для предсказания продолжительности жизни в России, основываясь на наиболее важных макроэкономических показателях.

Пятая 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 шестой 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