Описание

Чему вы научитесь

• Процесс и модель машинного обучения
• Заполнение пропусков в данных
• Линейная регрессия и L1/L2 регуляризация
• Решающие деревья и ансамбли стекинга
• Корреляция и взаимная информация
• Метод главных компонент (PCA)
• Сингулярное разложение (SVD)
• Анализ независимых компонент (ICA)
• Многомерное шкалирование (MDS)
• t-SNE, UMAP, LargeVis

Требования

• Продвинутый Python
• Основы математической статистики

Описание
В заключении построим ансамбль моделей для предсказания продолжительности жизни, базируясь на выделенных факторах.
Курс разбит на 4 части. В первой части мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели – линейную регрессии, решающие деревья и случайный лес. А также ансамбли машинного обучения.
Во второй части на практике разберем:

• Очистку и предобработку данных – ETL
• Линейную регрессию для экстраполяции данных
• Линейную регрессию с регуляризацией для выделения факторов
• Информационные критерии понижения размерности

В заключении создадим ансамбль стекинга из простых моделей понижения размерности.
Третья часть посвящена матричным методам:

• Метод главных компонент (PCA)
• Сингулярное разложение (SVD)
• Анализ независимых компонент (ICA)
• Положительно-определенные матрицы (NMF)

Уточним решение задачи обучения без учителя через матричные методы.
В четвертой части рассмотрим нелинейные подходы:

• Многомерное шкалирование (MDS).
• t-SNE
• UMAP
• LargeVis

Стабилизируем ансамбль понижения размерности и используем его для предсказания продолжительности жизни в России, основываясь на наиболее важных макроэкономических показателях.
Для кого этот курс:

• Аналитики Python, изучающие машинное обучение
• Программисты больших данных
• Исследователи больших данных