Машинное обучение с несбалансированными данными [Udemy] [Соледад Галли]

Машинное обучение с несбалансированными данными Изучите несколько методов устранения дисбаланса данных и повышения производительности ваших моделей машинного обучения. Последнее обновление: 11/2020 ​ Субтитры: Русский, Английский [Автоматически созданные] Язык: Английский Чему вы научитесь Методы неполной выборки наугад Методы недостаточной выборки, которые сосредоточены на наблюдениях, которые сложнее классифицировать Методы недостаточной выборки, игнорирующие потенциально зашумленные наблюдения Методы избыточной выборки для увеличения количества наблюдений меньшинств Способы создания синтетических данных для увеличения примеров класса меньшинств SMOTE и его варианты Используйте методы ансамбля с методами выборки для повышения производительности модели. Наиболее подходящие метрики оценки для использования с несбалансированными наборами данных Добро пожаловать в машинное обучение с несбалансированными наборами данных. В этом курсе вы изучите несколько методов, которые вы можете использовать с несбалансированными наборами данных, чтобы повысить производительность ваших моделей машинного обучения. Если вы работаете с несбалансированными наборами данных прямо сейчас и хотите улучшить производительность своих моделей, или просто хотите узнать больше о том, как справиться с дисбалансом данных, этот курс покажет вам, как это сделать. Мы шаг за шагом проведем вас через увлекательные видеоуроки и научим всему, что вам нужно знать о работе с несбалансированными наборами данных. На протяжении этого всеобъемлющего курса мы охватываем практически все доступные методики работы с несбалансированными наборами данных, обсуждая их логику, их реализацию на Python, их преимущества и недостатки, а также соображения, которые следует учитывать при использовании этой техники. В частности, вы узнаете: Методы неполной выборки случайным образом или с упором на выделение определенных групп выборки Методы случайной избыточной выборки и методы, создающие новые примеры на основе существующих наблюдений Методы ансамбля, которые используют возможности нескольких слабых учеников в сочетании с методами выборки для повышения производительности модели Чувствительные к стоимости методы, которые более серьезно наказывают за неправильные решения для представителей меньшинств Соответствующие метрики для оценки производительности модели на несбалансированных наборах данных К концу курса вы сможете решить, какой метод подходит для вашего набора данных, и / или применить и сравнить улучшение производительности, возвращаемое различными методами для нескольких наборов данных. Этот всеобъемлющий курс машинного обучения включает более 50 лекций, охватывающих около 8 часов видео, и ВСЕ темы включают практические примеры кода Python, которые вы можете использовать для справки и для практики, а также повторно использовать в своих собственных проектах . Материалы курса 10 разделов • 84 лекций • Общая продолжительность 6 ч 24 мин Для кого этот курс: Специалисты по данным и инженеры по машинному обучению, работающие с несбалансированными наборами данных