炼数成金 门户 培训 查看内容

Python机器学习Kaggle案例实战

2017-5-15 10:02| 发布者: 仙豆| 查看: 145207| 评论: 0|原作者: cruiser

快速报名入口
快班报名:【快班】Python机器学习Kaggle案例实战 (随报随学)
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。

课程大纲:
第一课:Crowdflower Search Results Relevance
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

第二课:Santander Product Recommendation
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

第三课:TalkingData Mobile User Demographics
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

第四课:Facebook V: Predicting Check Ins
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
 
第五课:Avito Duplicate Ads Detection
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

第六课:Outbrain Click Prediction 
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

第七课:Click-Through Rate Prediction
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

第八课:Avito Context Ad Clicks
案例介绍:预测俄罗斯较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

第九课:Rossmann Store Sales
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

第十课:Amazon - Employee Access Challenge
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

授课时间:
课程将于2024年11月21日开课,课程持续时间大约为15周

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。较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

授课讲师:
tigerfish,知名数据库网站ITPUB创始人,知名数据分析网站炼数成金创始人。数据库专家,数据分析专家,有丰富的IT领域、数学领域的知识经验。他将带领他的数据分析团队完成整个授课工作。 他将负责大部分算法讲解和思路分析部分。

何翠仪,毕业于中山大学统计学专业,炼数成金专职讲师。
在炼数成金上开设了多门关于数据分析与数据挖掘相关的课程,如《大数据的统计学基础》、《大数据的矩阵基础》《金融时间序列分析》等,也曾到不同的公司开展R语言与数据分析的相关培训。对数据分析有深刻认识,曾与不同领域公司合作,参与到多个数据分析的项目中,如华为、广州地铁等

课程试听:


新颖的课程收费形式:“逆向收费”约等于免费学习,仅收取100元固定收费+300元暂存学费,学习圆满则全额奖励返还给学员!

特别说明如下:
本门课程本来打算完全免费,某位大神曾经说过“成功就是正确的方向再加上适度的压力”。考虑到讲师本身要付出巨大的劳动,为了防止一些朋友在学习途中半途而废,浪费了讲师的付出,为此我们计划模仿某些健身课程,使用“逆向收费”的方法。
在 报名时每位报名者收取400元,其中100元为固定 收费,另外300是暂存学费,即如果学员能完成全部课程要求,包括完成全部的书面和互动作业(每周不超过2小时),则300元全款退回。如果学员未能坚持到完全所有的学习计划任务,则会被扣款。期望这种方式可以转化为大家强烈的学习愿望和驱动力!

课程授课方式:
1、 学习方式:老师发布教学资料、教材,幻灯片和视频,学员通过网络下载学习。同时通过论坛互动中老师对学员进行指导及学员之间相互交流。
2、 学习作业:老师每周布置书面及互动作业,学员需按时按质完成作业。
3、 老师辅导:根据作业批改中发现的问题,针对性给予辅导,帮助大家掌握知识。
4、 结业测验:通过测验,完成学业。

附图:炼数成金大数据课程地图
[attach]176898[/attach]

您是否对此课程还有疑问,那么请 点击进入 FAQ,您的问题将基本得到解答
全国统一咨询热线 4008-010-006

课程现开始接受报名,报名方式
网上报名 请点击:Python机器学习Kaggle案例实战
咨询Email :edu01@dataguru.cnedu02@dataguru.cn
课程入门讨论咨询群:
303917420(群内有培训公开课视频供大家免费观看)
咨询QQ: 2222010006 (上班时间在线)

技术热点、 行业资讯,培训课程信息,尽在炼数成金官方微信,低成本传递高端知识!技术成就梦想!欢迎关注!
打开微信,使用扫一扫功能,即刻关注炼数成金官方微信账户,不容错过的精彩,期待您的体验!!!


快速报名入口
快班报名:【快班】Python机器学习Kaggle案例实战 (随报随学)

即将开课

热门文章

     

    GMT+8, 2024-12-15 01:02 , Processed in 10.164834 second(s), 28 queries .