Machine Learning from 0 to Hero

Ганна Пилєва
Вступ
Навігація в світі методів машинного навчання
Google Colab
Матеріали модуля
Дослідницький аналіз даних з Python (EDA) 1
Дослідницький аналіз даних з Python (EDA) 2
Домашнє завдання: EDA
Вступ до лінійної регресії та підходу до навчання моделей в ML
Лінійна регресія багатьох змінних
Як додати категоріальні характеристики в модель
Масштабування ознак, виявлення важливості ознак. Загальний підхід до розвʼязку ML задачі.
Домашнє завдання: Лінійна регресія
Матеріали модуля
Вступ до задач класифікації
EDA для даних для бінарної класифікації
Заповнення пропущених числових значень. Масштабування даних з MinMaxScaler. One hot encoding з sklearn
Навчання логістичної регресії з sklearn
Домашнє завдання: Бінарна класифікація. Логістична регресія
Матеріали модуля
Вступ до дерев прийняття рішень
Як будується дерево прийняття рішень та гіперпараметри дерева
Random Forest_ опис і вакористання методу. Тюнинг гіперпараметрів
Загальний підхід до налаштування гіперпараметрів та передбачення на нових даних
Домашнє завдання: Дерева рішень та Випадкові ліси
Матеріали модуля
Вступ до MLOps
Що необхідно врахувати після готовності моделі
Способи розгортання ML моделі
Практичний гайд з деплою ML-моделі на Streamlit
Домашнє завдання: Деплоймент моделі
Матеріали модуля

Модуль 2.Задача бінарної класифікації. Логістична регресія

Вступ до задач класифікації
EDA для даних для бінарної класифікації
Заповнення пропущених числових значень. Масштабування даних з MinMaxScaler. One hot encoding з sklearn
Навчання логістичної регресії з sklearn
Домашнє завдання: Бінарна класифікація. Логістична регресія
Матеріали модуля

Access limited

or Pre-registration