● How to Win a Data Science Competition: Learn from Top Kagglers
Специальный курс НИУ ВШЭ, ориентированный на обучение решению задач по прогностическому моделированию. Он посвящен различным методам оптимизации и тому, как обойти сотни и тысячи решений на платформе kaggle. Особенно рекомендуется смотреть лекции по регуляризации и StackNet.
● Продвинутое машинное обучение на Coursera
Специализация, которая раскрывает прикладные аспекты машинного обучение, такие как обучение с подкреплением и обработка естественного языка, а также разделы deep learning и байесовская статистика.
● All about Categorical Variable Encoding
Статья, которая наглядно показывает, что можно сделать с категориальными переменными и как их закодировать так, чтобы можно было их использовать для обучения линейной модели или нейронной сети.
● Stacking Ensemble Machine Learning With Python
В работе рассказывается о такой технологии как стеккинг – объединения результатов нескольких алгоритмов машинного обучения для улучшения результатов их работы. Например, можно объединить результаты предсказания алгоритма Random forest и логистической регрессии, что улучшит качество классификации. Если английский язык – не ваша сильная сторона, то есть научная работа и презентация на русском.
Специальный курс НИУ ВШЭ, ориентированный на обучение решению задач по прогностическому моделированию. Он посвящен различным методам оптимизации и тому, как обойти сотни и тысячи решений на платформе kaggle. Особенно рекомендуется смотреть лекции по регуляризации и StackNet.
● Продвинутое машинное обучение на Coursera
Специализация, которая раскрывает прикладные аспекты машинного обучение, такие как обучение с подкреплением и обработка естественного языка, а также разделы deep learning и байесовская статистика.
● All about Categorical Variable Encoding
Статья, которая наглядно показывает, что можно сделать с категориальными переменными и как их закодировать так, чтобы можно было их использовать для обучения линейной модели или нейронной сети.
● Stacking Ensemble Machine Learning With Python
В работе рассказывается о такой технологии как стеккинг – объединения результатов нескольких алгоритмов машинного обучения для улучшения результатов их работы. Например, можно объединить результаты предсказания алгоритма Random forest и логистической регрессии, что улучшит качество классификации. Если английский язык – не ваша сильная сторона, то есть научная работа и презентация на русском.