Category - ML

Data Science • Math • ML • Статистика

Оценка асимметрии и эксцесса данных

Data Science • ML

df.describe() – описательные статистики – важные нюансы

Data Science • ML

EDA – исследовательский анализ данных, основные принципы

Data Science • ML

Табличные данные. План исследования и подготовки к моделированию.

Data Science • ML

Кроссвалидация. Выбор оптимальной стратегии.

Data Science • ML

Несогласованность в данных (data inconsistency)

Data Science • ML

Утечка данных. Как обнаружить и предотвратить.

Data Science • ML • Python • Tech

Диспетчеризация через словарь функций

Data Science • ML • Статистика

Сэмплирование данных в ML

Data Science • ML

Примеры постановки ML задач

Data Science • ML

Как работает GridSearchCV

ML

Градиентный бустинг. Основы.

ML

Подготовка данных. Шаг 5: масштабирование и нормализация признаков

ML

Подготовка данных. Шаг 4: кодирование категориальных признаков

ML

Подготовка данных. Шаг 3: работа с признаком времени

ML

Подготовка данных, шаг 2: работа с пропусками

ML

Подготовка данных. Шаг 1: работа с выбросами

ML

Ансамбли в ML. Основы.

ML

Дерево решений. Задачи к собеседованию.

ML

Дерево решений. Вопросы к собеседованию.

ML • Алгоритмы

Временная сложность алгоритмов ML в О-нотации

ML

Дерево решений. Основные моменты.

ML

Линейная регрессия. Задачи к собеседованию.

ML

Линейная регрессия. Вопросы к собеседованию.

DL • ML

Переобучение и методы борьбы с ним

ML

Как оценивается важность признаков в разных моделях?

ML

Работа с признаком времени – основные идеи

ML • Статистика

Корреляция. Правила работы с корреляционной матрицей.

ML

Линейная регрессия