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

Введение в соревновательный Data Science

4 урока
1. Kaggle. Что это и зачем?
2. Структура соревнований: от постановки до последнего сабмита
3. Основные метрики и их особенности (LogLoss, RMSE, F1, AUC, ...)
4. Data Leaks

Продвинутый EDA и Feature Engineering

4 урока
1. Автоматизация EDA: инструменты и библиотеки
2. Работа с пропущенными значениями и выбросами.
3. Создание новых признаков: время, категории, текст и геоданные
4. Методы отбора признаков: корреляция, важность признаков, shap

Оптимизация моделей и гиперпараметров

3 урока
1. Обзор методов оптимизации: Grid Search, Random Search, Bayesian
2. Использование Optuna для автоматизации подбора гиперпараметров
3. Кросс-валидация: стратегии для маленьких и больших датасетов

Отбор фичей

1 урок
1. Отбор фичей

Ансамбли моделей

3 урока
1. Основы ансамблирования: бэггинг, бустинг, стекинг, блендинг.
2. Популярные библиотеки: XGBoost, LightGBM, CatBoost.
3. Создание собственных ансамблей.

Работа с несбалансированными данными

2 урока
1. Методы борьбы с дисбалансом классов: oversampling, undersampling
2. Постобработка предсказаний: калибровка вероятностей и подбор пор

Нейронные сети и трансформеры в табличных данных

2 урока
1. Применение нейронных сетей для табличных данных (TabNet, LSTM)
2. Использование предобученных моделей (BERT, GPT) для текстовых пр

AutoML — автоматизация машинного обучения

5 уроков
1. Введение в AutoML
2. AutoML для классических задач
3. AutoML для ансамблирования
4. AutoML для работы с текстами и изображениями
5. AutoML в соревнованиях