Машинное обучение: из грязи в Kaggle-князи

Одно соревнование на Kaggle требует работы с регрессией, классификацией и глубоким обучением — здесь разбирают, как решать такие задачи на реальных датасетах. Вы пройдете путь от подготовки данных с Pandas до сборки финальных ансамблей моделей, которые дают результат в лидербордах соревнований.

Внутри курса:

• Анализ и очистка данных для предсказаний энергопотребления (задача ASHRAE) и страхового скоринга (Prudential).
• Работа с классическими алгоритмами: от линейной регрессии и SVM до градиентного бустинга (XGBoost, CatBoost, LightGBM).
• Глубокое обучение для работы с изображениями: архитектуры ResNet, DenseNet, Unet и PSPNet для задач сегментации и классификации.
• Приемы оптимизации: как эффективно расходовать память при работе с большими наборами данных и правильно подбирать гиперпараметры.

Курс ориентирован на аналитиков и Python-разработчиков, которые хотят научиться применять ML-модели для решения практических задач и соревновательного анализа данных. После обучения вы сможете самостоятельно проходить полный цикл разработки модели: от первичного EDA до финального ансамблирования.