Машинное обучение с несбалансированными данными

13 участников

О чём курс

Дисбаланс классов в данных часто приводит к тому, что модель игнорирует меньшинство — в этом курсе разбираются методы исправления ситуации, от простых манипуляций с выборкой до создания синтетических данных. Вы пройдете путь от выбора метрик оценки производительности модели, которые адекватно показывают результат на перекошенных данных, до реализации алгоритмов ансамблевого обучения. Обучение построено на практических примерах с кодом на Python, что позволяет сразу применять техники для улучшения точности классификаторов в реальных проектах.

Программа обучения

  • Раздел 1: Введение в проблему несбалансированных данных
  • Раздел 2: Метрики оценки производительности для несбалансированных наборов
  • Раздел 3: Методы случайной и направленной недостаточной выборки (Undersampling)
  • Раздел 4: Методы избыточной выборки (Oversampling)
  • Раздел 5: Создание синтетических данных
  • Раздел 6: Алгоритм SMOTE и его современные варианты
  • Раздел 7: Методы ансамблевого обучения в сочетании с выборкой
  • Раздел 8: Чувствительные к стоимости методы классификации
  • Раздел 9: Сравнение производительности различных техник
  • Раздел 10: Практическое применение на реальных проектах
Складчина создана 26 ноября 2020 г. · описание обновлено 23 марта 2026 г.
254 ₽ 999 ₽