课程信息
  • 课程首页
  • 拼团活动
  • 专业套餐
  • 优惠活动
  • 我的课程
  • 站内消息
  • 站内提醒
  • 我的钱包
  • 奖学金
  • 道具 | 抵价券
  • 登录


【快班】Python机器学习Kaggle案例实战

人工智能

10周

62人

此课程所属【python数据分析师职业方向】, 【人工智能职业方向】专业,专业内有不少于15门推荐课程,目前平台推出【专业课程0元学】活动,只需0元即可在所有的专业课程中任选5门学习,超值优惠,助您快速成长!点击这里了解

讲师
tigerfish
课程简介

本课程是《机器学习》《Python机器学习》课程的姐妹篇,旨在加强学员的实际训练,以案例作为基本讲解单元,围绕案例讲解分析思路,特征和模型选择,编写代码等。
本课程的受众主要是没有经过专业训练的IT专业人员,他们可能是程序员,运维,IT系统架构师等等,也适合没有经过科班训练的数据分析师。数据分析是一个业务+算法+IT的交叉领域,同时熟悉这三方面知识的人,可以玩转大数据,产生无穷无尽的花样,产生巨大的价值。但很无奈的情况是这种人才太少,IT人员即使熟悉本公司的业务,但同时又熟悉算法的人极少。一般只能做一些简单的维度统计,指标计算等等,如果说到开发更高智能的系统,知识上鞭长莫及。本课程的目标,正是要打破知识的鸿沟,向IT人员普及算法知识,并把这些知识用于实际项目,把中国的机器学习应用能力提高一个台阶。
每期班的学员都会被加入到一个微信群,除了平时的问题解答外,还会另外安排约5次固定时间微课思路分享和答疑,与10次讲授共计学习时间约十几周左右。

Kaggle简介:
Kaggle创立于2010,是一个专注于举办数据科学周边的线上竞赛的网站。它吸引了大量数据科学家、机器学习开发者的参与,为各类现实中的商业难题开发基于数据的算法解决方案。竞赛的获胜者、领先者,在收获对方公司提供的优厚报酬之外,还将引起业内科技巨头的注意,获得各路 HR 青睐,为自己的职业道路铺上红地毯。
Kaggle 是当今较大的数据科学家、机器学习开发者社区,其行业地位独一无二。
课程目标:
课程从已完结的竞赛中选取了10个比较有代表性的案例,通过分析优胜参赛者的解决思路和方法,从中学习问题的解决思路、数据的预处理方法,各种机器学习、深度学习等领域中的优秀算法,让学员可以将这些方法解决各种实际数据分析问题。

课程章节
  • 第1课 Crowdflower Search Results Relevance
    • 1-1 案例介绍:预测来自电子商务站点的搜索结果的准确性,将搜索得到的网页按相关性排序 获奖者所用方法:通过ensemble learning整合多个模型的结果 涉及算法:Ensemble learning
  • 第2课 Santander Product Recommendation
    • 2-1 案例介绍:根据银行客户1.5年内的行为数据,预测用户会下一步会投资的新产品 获奖者所用方法:通过XGBoost构建了多个基本模型,然后将基本模型整合为一个总模型 涉及算法:XGBoost
  • 第3课 TalkingData Mobile User Demographics
    • 3-1 案例介绍:根据用户的手机应用下载和使用行为来预测用户的人口统计数据(年龄、性别等) 获奖者所用方法: 先预测性别的概率;使用性别的预测值作为额外的特征加入到模型中,预测年龄;通过条件概率得到两个目标变量的预测概率 涉及算法:两段预测,XGBoost
  • 第4课 Facebook V: Predicting Check Ins
    • 4-1 案例介绍:预测用户会在哪个地方登陆Facebook 获奖者所用方法:特征选择:数据块的最近邻计算;模型构建:基于XGBoost的两步模型 涉及算法:XGboost
  • 第5课 Avito Duplicate Ads Detection
    • 5-1 案例介绍:为了避免卖家发布各种经过少量改动的广告导致买家难以分辨,参赛者需要设计一个模型,自动识别配对中的广告是否同一个广告 获奖者所用方法:特征选择:采用了FTIM方法测试特征的不稳定性,提出过度拟合的特征。通过XGBoost和Keras构建一层模型;然后通过底层模型构建XGBoost 和随机森林,最终综合两者结果得到最终结果 涉及算法:FTIM;元模型
  • 第6课 Outbrain Click Prediction  
    • 6-1 案例介绍:在一组针对用户推荐内容中,预测用户点击每个链接的可能,将这些推荐内容按照点击可能的大小排序 获奖者所用方法:两步元模型:通过LibFFM构建第一层模型,再使用XGBoost和Keras构建第二层模型 涉及算法:LibFFM;XGBoost;Keras框架
  • 第7课 Click-Through Rate Prediction
    • 7-1 案例介绍:预测某个广告是否会被点击 获奖者所用方法:将数据拆分成不同的子集,构建不同的子模型,再整合 涉及算法:LIBFFM
  • 第8课 Avito Context Ad Clicks
    • 8-1 案例介绍:预测俄罗斯最大的一般分类网站的用户在浏览网站时,是否点击上下文广告 获奖者所用方法:预处理:散列技巧和消极的抽样。 学习方法:FFM、FM和XGBoost。 涉及算法:FFM;FM;XGboost
  • 第9课 Rossmann Store Sales
    • 9-1 案例介绍:预测Rossmann公司各个门店的6周销售量 获奖者所用方法:分类特征的处理:创建了一种 Entity Embedding(实体嵌入)的方法去代表在多维空间中的分类特征。 涉及算法:Entity Embedding;神经网络
  • 第10课 Amazon.com - Employee Access Challenge
    • 10-1 案例介绍:根据员工的职业角色,预测员工的访问需求 获奖者所用方法:11个模型的线性组合:使用不同特征训练的GBM模型,GLNNET模型,随机森林模型,logistic回归模型 涉及算法:GBM模型,GLNNET模型,随机森林模型,logistic回归模型
课程环境

Python2或3较新版本

授课对象

对机器学习有兴趣的朋友,特别适合想学习算法的IT专业人员或非科班出身的数据分析人员。最好能有一些线性代数,统计等数学基本知识,没有也无妨,可以在课程期间快速补强。

收获预期

能独立完成某些特定场景的分析工作,胜任数据分析师,机器学习程序员等流行职位的技术要求

学费

学费: ¥400 ( 固定学费: ¥300, 逆向学费: ¥100 )

新颖的课程收费形式:“逆向收费”约等于免费学习,仅收取300元固定收费+100元逆向学费,学习圆满则逆向学费全额返还给学员!

炼数成金移动版 v2.0