Машинное обучение: кластеризация и аномалии на Python [Udemy] [Центр digital-профессий ITtensive]

Машинное обучение: кластеризация и аномалии на Python
Прокачаться в машинном обучении без учителя и научиться выделять кластеры в данных и искать аномалии

Описание
Это второй курс из серии Машинное обучение без учителя. На нем вы освоите работу с кластеризацией данных и поиском аномалий на примере задача хакатона Яндекс.Недвижимости по прогнозу срока экспозиции объявлений.

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 регрессию, а также ансамбли машинного обучения.

Вторая часть посвящена базовым моделям кластеризации:

• Изучите внешние и внутренние метрики кластеризации.
  
  
• Разберете модели К-средних и FOREL и потренируетесь в их применении.
  
  
• Рассмотрите принципы работы агломеративной кластеризации и используете ее на практике.
  
  
• Узнаете про расстояние Махаланобиса и работу GMM.
  

В качестве задания соберем простую модель кластеризации исходных данных.

В третьей части перейдем к продвинутой кластеризации:

• Погрузитесь в различия моделей DBSCAN, HDBSCAN и OPTICS.
  
  
• Разберете особенности модели распространения близости.
  
  
• Посмотрите на расширяющийся нейронный газ.
  
  
• Запустите и обучите самоорганизующиеся карты Кохонена (SOM).
  
  
• Столкнетесь с матрицей Кирхгофа и спектральной кластеризацией.
  

И соберем ансамбль из несколько моделей кластеризации.

В завершении:

• Изучите поиск аномалий и метрику pAUC.
  
  
• Используете тест Смирнова-Граббса на практике.
  
  
• Потренируетесь в эллипсоидальной аппроксимации.
  
  
• Разберете разницу между LOF и ABOD.
  
  
• Обучите и используете модель COPOD.
  
  
• Вырастите как iForest, как и расширенный лес изоляции.
  

В финале соберем свое решение задачи Хакатона 2020 года.

Для кого этот курс:

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

Скрытая ссылка