Книга Kaggle. Машинное обучение и анализ данных

В этом материале разберём тему: данных.

Показано (в том числе на примере увлекательных интервью с Kaggle-гроссмейстерами),  как устроена платформа Kaggle и проводимые на ней соревнования. Книга рассказывает о продвинутых приёмах машинного обучения и науки о данных (data science) на основе задач, решаемых на всемирно известной платформе Kaggle. Изложенный материал позволяет развить необходимые навыки и собрать портфолио по машинному обучению, анализу данных, обработке естественного языка, работе с множествами. Подобран уникальный пул задач, охватывающих различные классификационные и оценочные метрики, методы обучения нейронных сетей, схемы валидации, выявление паттернов и трендов в материале любой сложности.

Для специалистов по анализу данных и машинному обучению

Участие в таких конкурсах – верный способ профессионально вырасти в области анализа данных, влиться в замечательное сообщество единомышленников и приобрести бесценный опыт для развития карьеры. Конкурсы Kaggle – это поле для состязаний, где меряются силами миллионы специалистов по науке о данных (data science), которые сами себя именуют «кэглерами». Авторы книги – грандмастера Kaggle. Вы освоите качественные схемы валидации и станете уверенно ориентироваться в самых разных оценочных метриках. Они познакомят вас со стратегиями моделирования, которые более нигде не рассмотрены, и подскажут, как удобнее всего обрабатывать изображения, тексты, таблицы, как правильно реализовать обучение с подкреплением.

В книге рассказано:Как устроена соревновательная платформа KaggleКак выжать максимум из ноутбуков, датасетов и форумов KaggleКак правильно собирать портфолио проектов и идеи для развития карьерыКак проектировать k-мерные и вероятностные схемы валидацииКак освоить наиболее распространённые и экзотические оценочные метрикиКак устроена бинарная и многоклассовая классификация объектов, а также их обнаружениеКак эффективно обращаться с временными рядами и обработкой естественного языка (NLP)Как преуспеть в задачах на имитационное моделирование и оптимизацию

Файл доступен для загрузки ниже.