课程名称: How to Win a Data Science Competition:Learn from Top Kagglers

课程主页: https://www.coursera.org/learn/competitive-data-science

所在平台: Coursera

课程类别: 机器学习 Machine Learning

大学或机构: 国立高等经济大学

讲师： Dmitry Ulyanov，Alexander Guschin

授课语言： 英语

提供字幕： 英文

课程文件大小： 2.17GB

课程介绍： 如何赢得数据科学竞赛：向顶尖Kagglers学习：如果您想进入竞争性数据科学领域，那么本课程适合您！参加预测建模竞赛可以帮助您获得实践经验，提高和利用信贷，保险，市场营销，自然语言处理，销售预测和计算机视觉等各个领域的数据建模技能。同时，您可以在竞争激烈的环境中与成千上万的参与者进行竞争，每个参与者都试图构建最具预测性的算法。将彼此推到极限可以导致更好的性能和更小的预测误差。始终保持较高的排名可以帮助您加速数据科学事业。 在本课程中，您将学习分析和解决此类预测建模任务。 完成本课程后，您将： -了解如何有效地解决预测建模竞赛，并了解所获得的哪些技能可以应用于现实世界中的任务。 -了解如何预处理数据并从文本和图像等各种来源生成新功能。 -学习先进的特征工程技术，例如生成均值编码，使用聚合的统计量度或查找最近的邻居来改善预测。 -能够形成可靠的交叉验证方法，以帮助您对解决方案进行基准测试，并在用未观察到的（测试）数据进行测试时避免过拟合或过拟合。 -获得分析和解释数据的经验。您将意识到不一致，高噪声水平，错误以及其他与数据相关的问题（例如泄漏），并且将学习如何解决这些问题。 -掌握不同算法的知识，并学习如何有效地调整其超参数并获得最佳性能。 -掌握将不同的机器学习模型结合在一起的技巧，并学习如何进行合奏。 -接触过去（获奖的）解决方案和代码，并学习如何阅读它们。 免责声明：这不是一般意义上的机器学习课程。本课程将教您如何针对成千上万的竞争对手获得高级解决方案，重点是机器学习方法的实际使用，而不是其背后的理论基础。 先决条件： -Python：在熊猫中使用DataFrames，在matplotlib中绘制图形，从scikit-learn，XGBoost和LightGBM导入和训练模型。 -机器学习：对线性模型，K-NN，随机森林，梯度提升和神经网络有基本的了解。

课程压缩包下载地址（度盘链接）：

友情提醒：