Machine Learning. Введение в регрессионный анализ [2021]
robot dreams
Тарас Кучеренко
Трехнедельный практикум о прогнозировании с применением разных методов ML. Скролльте ниже, чтобы узнать, о каких методах речь и в каком формате проходит практикум.
Один из самых популярных запросов в сфере машинного обучения — прогнозирование. Существуют три классических метода решения этой задачи: регрессии, k-ближайшие соседи и нейронные сети.
Чтобы научить вас использованию этих методов, существует данный практикум. В течение суммарно 7,5 часов на занятиях и ~15 часов самостоятельной практики вы сможете изучить эти методы на практике, научиться оценивать релевантность каждого для конкретной задачи и внедрить их в свою работу.1. Разработчик
2. Аналитик данных
3. Студент технической специальности1. Понимать, как решить задачу по прогнозированию тремя методами: с помощью регрессий, k-ближайших соседей и нейросетей.
2. Сможете определять, какой метод более релевантен для вашей конкретной задачи, и как применять каждый из методов в реальной работе.Модуль 1 - Машинное обучение: вступление
Модуль 2 - Прогнозирование с помощью линейной и полиномиальной регрессии
- Изучите основы ML, обучающие и тестовые выборки, основные принципы и сферы применения линейной и полиномиальной регрессии.
Модуль 3 - Прогнозирование с помощью метода k-ближайших соседей
- Изучите, как применять линейную и полиномиальную регрессию для прогнозирования.
- Решите задачу прогнозирования с помощью полиномиальной регрессии для предоставленного датасета.
- Зачем: научиться строить регрессии для прогнозирования.
Модуль 4 - Нейронные сети: вступление
- Изучите основные принципы, сферы применения, преимущества и недостатки метода k-ближайших соседей.
- Сравните метод с полиномиальной регрессией.
- Решите задачу по прогнозированию для предоставленного датасета с помощью этого метода.
- Зачем: применять метод k-ближайших соседей для прогнозирования, а также оценивать качество метода.
Модуль 5 - Прогнозирование с помощью нейронных сетей
- Изучите ключевые понятия и принцип работы нейронных сетей.
- Ознакомьтесь с принципом работы deep learning.
- Изучите явления overfitting and underfitting.
- Определите ситуации, в которых корректнее использовать метод ML или DL.
- Начните применять нейронную сеть для представленного датасета.
- Сравните все три изученных метода.
- Зачем: научиться применять разные нейронные сети для конкретных задач.
Примечание: на момент создания темы актуальная цена не известна.
Последнее редактирование модератором:
- Статус
- В этой теме нельзя размещать новые ответы.