• СОЛНЕЧНЫЕ СКИДКИ НА ЗНАНИЯ!

    Оригинальный адрес - Infobiza.Info / infobiza.top остерегайтесь Сайты-клоны мошенников!

    Получите вечный Премиум доступ к более чем 190 000 курсов + приватный раздел за 600  450 рублей

    Премиум MAX + Guard.ws + Elements.Envato + доступ к удалённым курсам и книгам 1000  850 рублей

    Акция действует до 24 Сентября включительно!

    Оформить подписку Подробнее
  • Мы опубликовали новых материалов за сутки 124 за неделю 845

Udemy [Udemy] Машинное обучение: регрессия и предсказание данных на Python (2020)

Smoky
Редактор
45,424
407,892
Автор: ITtensive
Название: Машинное обучение: регрессия и предсказание данных на Python (2020)

29066

Чему вы научитесь
  • Процесс ETL: загрузка, очистка, объединение данных
  • Построение и оценка качества модели линейной регрессии
  • EDA: исследовательский анализ данных
  • Обогащение данных для извлечение 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
Требования
  • Продвинутый Python
  • Основы математической статистики
Описание
Мы рассмотрим все практические аспекты применения линейной регрессии для предсказания числовых показателей энергопотребления ASHRAE в соревновании на Kaggle вплоть до формирования конечного результата.

В этом курсе:
  • 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.
Для кого этот курс:
  • Аналитики Python, изучающие машинное обучение
  • Программисты больших данных
  • Исследователи больших данных
Подробнее:
Скачать:

 
Сверху