Build your ultimate AI agent
Описание курса
Подготовьтесь к собеседованию по машинному обучению
Вы когда-нибудь задумывались, как правильно подготовиться к собеседованию по машинному обучению? В этом курсе вы подготовите ответы на 15 распространённых вопросов на собеседовании по Machine Learning (ML) в Python для роли data scientist.Эти вопросы будут посвящены семи важным темам: предварительной обработке данных, визуализации данных, обучению с учителем, обучению без учителя, ансамблированию моделей, выбору моделей и оценке моделей.
Освежите свои знания в области машинного обучения
Вы начнёте с работы над вопросами предварительной обработки данных и визуализации данных. После выполнения всех этапов предварительной обработки вы создадите предиктивную ML-модель, чтобы отточить свои практические навыки.Далее вы изучите некоторые методы обучения с учителем, прежде чем перейти к обучению без учителя. В зависимости от роли, на собеседовании по машинному обучению вам, скорее всего, предстоит затронуть обе темы.
Наконец, вы завершите курс, изучив выбор и оценку моделей, узнаете, как оценивать производительность для обобщения модели, а также рассмотрите различные методы при построении ансамблевой модели.
Практические ответы на самые распространённые вопросы на собеседовании по машинному обучению
К концу курса вы будете обладать как необходимой теоретической базой, так и навыками разработки кода на Python, чтобы успешно ответить на эти 15 вопросов.Примеры кода будут в основном основаны на пакете scikit-learn, учитывая его простоту использования и способность охватывать наиболее важные методы машинного обучения на языке Python.
Курс не обучает основам машинного обучения, поскольку они рассматриваются в предварительных требованиях к курсу.
Предварительные требования
Программа
Структура курса
1
Предобработка и визуализация данных
В первой главе курса вы выполните все шаги предобработки данных, необходимые для построения предиктивной модели машинного обучения: научитесь работать с пропущенными значениями, выбросами и нормализацией набора данных.
- Работа с пропущенными данными50 XP
- В поисках пропущенных значений100 XP
- Простая импутация100 XP
- Итеративная импутация100 XP
- Распределения данных и преобразования50 XP
- Распределения обучающей и тестовой выборок и преобразования данных50 XP
- Распределения обучающей и тестовой выборок100 XP
- Логарифмическое и степенное преобразования100 XP
- Выбросы в данных и масштабирование50 XP
- Обнаружение выбросов100 XP
- Обработка выбросов100 XP
- Стандартизация с помощью Z-оценки100 XP
2
Обучение с учителем
Во второй главе курса вы отработаете различные аспекты обучения с учителем: выбор оптимального подмножества признаков, регуляризацию для предотвращения переобучения модели, конструирование признаков и ансамблевые модели для решения проблемы компромисса между смещением и дисперсией.
3
Обучение без учителя
В третьей главе курса вы применяете обучение без учителя для извлечения признаков и визуализации в задачах снижения размерности, а также используете методы кластеризации для выбора подходящего алгоритма и оптимального числа кластеров для набора данных.
4
Выбор и оценка модели
В четвёртой, заключительной главе курса вы выйдете на новый уровень: примените бутстрэп и кросс-валидацию для оценки обобщающей способности модели, методы ресэмплинга для работы с несбалансированными классами, обнаружите и устраните мультиколлинеарность, а также построите ансамблевую модель.
Практика вопросов интервью по машинному обучению на Python
Курс
завершён
