Курс на Stepik
Обложка курса «Intro to competitive ML | RASCAR» на Stepik
7 999 ₽

Intro to competitive ML | RASCAR ★ 0.000

Открыть на
STEPIK.ORG

Хотите выйти на новый уровень в соревнованиях по Data Science и Machine Learning? Этот курс — ваш ключ к успеху! Мы собрали лучшие практики, хитрости и продвинутые техники, которые используют топовые участники Kaggle и других платформ. Вы научитесь не только строить модели, но и оптимизировать каждый этап работы с данными, чтобы добиваться максимального результата.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Intro to competitive ML | RASCAR»Учеников на курсе 0
Сертификаты, выданные на курсе «Intro to competitive ML | RASCAR»Сертификатов выдано 0
Отзывы о курсе «Intro to competitive ML | RASCAR»Отзывов получено 0
Рейтинг курса «Intro to competitive ML | RASCAR»Рейтинг курса 0.000
Уроки в курсе «Intro to competitive ML | RASCAR»Количество уроков 24
Тесты в курсе «Intro to competitive ML | RASCAR»Количество квизов 1
Задачи с кодом в курсе «Intro to competitive ML | RASCAR»Количество задач с кодом 2
Стоимость курса «Intro to competitive ML | RASCAR»Стоимость курса 7 999 ₽ —
Обновления курса «Intro to competitive ML | RASCAR»Обновления курса — —
Дата публикации курса «Intro to competitive ML | RASCAR»Дата публикации курса — ———
Последнее обновление курса «Intro to competitive ML | RASCAR»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Intro to competitive ML | RASCAR» 8 разделов Уроки в курсе «Intro to competitive ML | RASCAR» 24 урока Тесты в курсе «Intro to competitive ML | RASCAR» 1 тест Задачи в курсе «Intro to competitive ML | RASCAR» 2 задачи Последнее обновление курса «Intro to competitive ML | RASCAR» обн. 1 год назад

1. Введение в соревновательный Data Science

4 урока
Закрытый
1.1 Kaggle. Что это и зачем? ↗
3
3
-
0
Закрытый
1.2 Структура соревнований: от постановки до последнего сабмита ↗
3
3
-
0
Закрытый
1.3 Основные метрики и их особенности (LogLoss, RMSE, F1, AUC, ...) ↗
3
2
-
0
Закрытый
1.4 Data Leaks ↗
3
2
-
0

2. Продвинутый EDA и Feature Engineering

4 урока
Закрытый
2.1 Автоматизация EDA: инструменты и библиотеки ↗
2
2
-
0
Закрытый
2.2 Работа с пропущенными значениями и выбросами. ↗
2
2
-
0
Закрытый
2.3 Создание новых признаков: время, категории, текст и геоданные ↗
2
2
-
0
Закрытый
2.4 Методы отбора признаков: корреляция, важность признаков, shap ↗
2
2
-
0

3. Оптимизация моделей и гиперпараметров

3 урока
Закрытый
3.1 Обзор методов оптимизации: Grid Search, Random Search, Bayesian ↗
2
2
-
0
Закрытый
3.2 Использование Optuna для автоматизации подбора гиперпараметров ↗
1
1
-
0
Закрытый
3.3 Кросс-валидация: стратегии для маленьких и больших датасетов ↗
1
1
-
0

4. Отбор фичей

1 урок
Закрытый
4.1 Отбор фичей ↗
0
0
-
0

5. Ансамбли моделей

3 урока
Закрытый
5.1 Основы ансамблирования: бэггинг, бустинг, стекинг, блендинг. ↗
2
2
-
0
Закрытый
5.2 Популярные библиотеки: XGBoost, LightGBM, CatBoost. ↗
2
2
-
0
Закрытый
5.3 Создание собственных ансамблей. ↗
1
1
-
0

6. Работа с несбалансированными данными

2 урока
Закрытый
6.1 Методы борьбы с дисбалансом классов: oversampling, undersampling ↗
1
1
-
0
Закрытый
6.2 Постобработка предсказаний: калибровка вероятностей и подбор пор ↗
1
1
-
0

7. Нейронные сети и трансформеры в табличных данных

2 урока
Закрытый
7.1 Применение нейронных сетей для табличных данных (TabNet, LSTM) ↗
0
0
-
0
Закрытый
7.2 Использование предобученных моделей (BERT, GPT) для текстовых пр ↗
0
0
-
0

8. AutoML — автоматизация машинного обучения

5 уроков
Закрытый
8.1 Введение в AutoML ↗
0
0
-
0
Закрытый
8.2 AutoML для классических задач ↗
0
0
-
0
Закрытый
8.3 AutoML для ансамблирования ↗
0
0
-
0
Закрытый
8.4 AutoML для работы с текстами и изображениями ↗
0
0
-
0
Закрытый
8.5 AutoML в соревнованиях ↗
0
0
-
0