Машинное обучение на Python

Онлайн-учебник DeepMachineLearning.ru сопровождается обучающими примерами работы с данными, а также примерами практического использования машинного обучения на языке Python с помощью библиотек numpy, matplotlib, seaborn, pandas и sklearn.

Ниже представлен список практических обучающих материалов с краткой аннотацией каждого урока:

• Визуализация признаков для задачи регрессии

  Изучим способы визуализации и анализа признаков для задачи регрессии.

• Визуализация признаков для задачи классификации

  Рассмотрим методы визуализации и анализа признаков для задачи классификации.

• Разбиение на подвыборки, оценка качества моделей

  Продемонстрируем способы разбиения исходных данных на обучающие, валидационные и тестовые подвыборки для раздельной оценки параметров, гиперпараметров и оценки точности работы моделей на новых данных.

• Заполнение пропусков в данных

  Разберём основные варианты работы с данными, содержащими пропущенные значения признаков.

  Это важный этап предобработки, поскольку большинство моделей машинного обучения требуют полностью заполненной матрицы данных.

• Нормализация вещественных признаков

  Изучим способы нормализации вещественных признаков перед использованием путём

  • приведения признаков к одинаковому масштабу,

  • удаления корреляции между ними,

  • преобразования к заданному распределению.

• Кодирование категориальных переменных

  Разберём основные варианты представления категориальных признаков в числовом виде.

  Это необходимый этап предобработки данных, поскольку большинство моделей машинного обучения работают только с числовыми входами.

• Генерация признаков

  Рассмотрим популярные преобразования вещественных признаков для генерации новых признаков, которые повышают гибкость и точность прогнозирования линейными моделями.

• Ограничения линейной регрессии

  Покажем ограничения линейной регрессии для моделирования нелинейных зависимостей.

  Покажем, как решать эти ограничения с помощью трёх подходов:

  • преобразование целевой переменной,

  • добавление нелинейных признаков в модель,

  • использование нелинейной модели.

• Квантильное преобразование

  Рассмотрим квантильное преобразование, которое монотонно преобразует непрерывные величины так, чтобы результирующая величина имела заданное распределение (стандартное нормальное или равномерное).

  Продемонстрируем это преобразование применительно к входным признакам и к прогнозируемым откликам для повышения качества прогнозов.