Скоро! Машинное обучение: Кросс-валидация и оптимизация гиперпараметров [stepik] [Сергей Спирёв]

[SHAREWOOD]

Складчина: Машинное обучение: Кросс-валидация и оптимизация гиперпараметров [stepik] [Сергей Спирёв]​

Описание:


Этот курс охватывает ключевые методы и инструменты кросс-валидации и оптимизации гиперпараметров моделей машинного обучения, используя инструменты библиотеки Scikit-learn. В рамках курса рассматриваются различные стратегии разбиения данных. Важным аспектом станет изучение GridSearchCV и RandomizedSearchCV для эффективной оптимизации моделей.

О курсе

• Этот курс погружает учащихся в важнейшие аспекты кросс-валидации и оптимизации гиперпараметров с применением библиотеки Scikit-learn
• Начнём с изучения базовых методов оценки моделей, используя функции cross_val_score и cross_validate, чтобы получать более точную оценку производительности модели путем использования кросс-валидации.
• Важной составляющей курса станет изучение различных стратегий кросс-валидации, таких как LeaveOneOut, ShuffleSplit и GroupKFold, каждая из которых подходит для определенных типов задач и данных.
• Курс также охватывает анализ кривых обучения с использованием функции learning_curve, что поможет понять, как объем данных влияет на производительность модели.
• Уделяется внимание и кривым валидации через функцию validation_curve, которая демонстрирует, как изменение гиперпараметров отражается на качестве модели.
• Изучение функции permutation_test_score позволит оценивать значимость моделей с использованием перестановочных тестов.
• Также рассматривается техника прогнозирования с кросс-валидацией через cross_val_predict, что окажется полезным для визуализации результатов.
• Наконец, познакомимся с методами оптимизации гиперпараметров, используя GridSearchCV и RandomizedSearchCV, что позволит автоматизировать процесс поиска наилучших гиперпараметров для моделей.

Начальные требования
Курс для тех, кто уже сделал первые шаги в изучении машинного обучения, но, столкнувшись с вопросами кросс-валидации и оптимизации гиперпараметров, ощутил необходимость более глубокого понимания этих ключевых аспектов.

Наши преподаватели. Сергей Спирёв. Имею двадцатилетний опыт работы в банковской, страховой и лизинговой сферах, где занимался финансовым анализом, моделированием, управлением активами.
Анализирую инструменты фондового рынка с 2008 года. Имею большой профессиональный опыт работы с операциями на биржевом и внебиржевом рынках с ценными бумагами, валютами, драгоценными металлами, операциями РЕПО, своп, межбанковским кредитованием.

Программа курса
Перекрёстная проверка
1.Введение
2.cross_val_score()
3.cross_validate()
4.LeaveOneOut
5.ShuffleSplit, StratifiedShuffleSplit
6.GroupKFold
7.TimeSeriesSplit
8.learning_curve()
9.validation_curve()
10.permutation_test_score()
11.cross_val_predict()

Методы оптимизации гиперпараметров
1.GridSearchCV
2.RandomizedSearchCV

В курс входят
13 уроков
80 тестов
36 интерактивных задач
Последнее обновление 19.05.2025

Скрытая ссылка

Материал «Машинное обучение: Кросс-валидация и оптимизация гиперпараметров [stepik] [Сергей Спирёв]», возможно, скоро появится на SHAREWOOD.

Воспользуйтесь поиском, может быть, он уже опубликован.