Машинное обучение: классификация и ансамбли на Python

На курсе вы разберете фундаментальные и прикладные подходы к классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата с помощью ансамбля стекинга.

Кому подойдет этот курс

• Аналитикам Python, изучающим машинное обучение
• Программистам больших данных
• Исследователям больших данных

Необходимые знания для прохождения курса

• Продвинутый Python
• Основы математической статистики
• Основы машинного обучения

Изучаемые темы

• EDA: исследовательский анализ данных
• Точность, полнота, F1 и каппа метрики
• Простая кластеризация данных
• Логистическая регрессия: простая и многоуровневая
• Метод ближайших соседей: kNN
• Наивный Байес
• Метод опорных векторов: SVM
• Решающие деревья и случайный лес
• XGBoost и градиентный бустинг
• CatBoost и LightGBM
• Ансамбль голосования и стекинга