Описание

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