Анализ данных на практике

Содержание курса

• 1 курс
• 12 модулей
• 12 тем
• 72 часа

• Введение

  • Вводные слова о машинном обучении.
  • Простейшие примеры применения машинного обучения.
  • Оценка качества алгоритма.
  • Примеры из жизни.
  • Задача классификации.
  • Байесовский классификатор.
  • Задачи кластеризации и регрессии.
  • Наиболее часто используемые методы.
  • Качество и признаки.
  • Переобучение и недообучение.
  • Инструменты.

• Метрики качества. Работа с признаками, постановка задач

  • Accuracy, precision, recall.
  • ROC-AUC.
  • Метрики качества в задачах регрессии.
  • Оптимизация метрик.
  • Работа с признаками.
  • Генерация признаков.
  • Отбор признаков.
  • Преобразование признаков.
  • PCA: подробности.
  • Пример: рекомендации товаров.

• Решающие деревья в задачах классификации и регрессии

  • Решающие деревья.
  • Как строить решающие деревья.
  • Ансамбли деревьев.
  • Линейные модели.
  • Пример: классификация музыки по жанрам.
  • Решающие деревья: дополнительные темы.

• Построение ансамблей. Random Forest и Gradient Forest

  • Обзор методов построения композиций.
  • Бустинг.
  • Усреднение моделей.
  • Леса решающих деревьев.
  • Градиентный бустинг над деревьями.
  • Сравнения композиций алгоритмов.
  • Ансамбли деревьев: дополнительные темы.
  • Смещение и разброс.
  • Разброс усреднённой модели.
  • XGBoost.