В этой теме нет ответов

[OXAS]

Название: Машинное обучение: регрессия и предсказание данных на Python (2020)

Автор: Udemy

 

Выигрываем соревнование на Kaggle по предсказанию данных с ансамблем линейной регрессии

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

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

Продажник:

Скрытый контент:

  Для просмотра необходимо войти или зарегистрироваться

Скачать:

Скрытый контент:

  Для просмотра содержимого необходимо 100 очков репутации (вам не хватает 100)

 Скачать без ограничений   Купить этот материал за 390 руб.