W pierwszym rozdziale poznasz proces udziału w konkursach Kaggle. Wytrenujesz model i przygotujesz plik CSV gotowy do przesłania. Dowiesz się, czym różni się publiczny zbiór testowy od prywatnego, oraz jak zapobiegać przeuczeniu.

Przegląd konkursów

Eksploracja danych treningowych

Eksploracja danych testowych

Przygotuj swoje pierwsze zgłoszenie

Określ typ problemu

Trenowanie prostego modelu

Przygotuj zgłoszenie

Publiczna a prywatna tablica wyników

Który model jest przeuczony?

Trenowanie modeli XGBoost

Analiza przeuczenia modelu XGBoost

Proces konkursów Kaggle

Znając już podstawy konkursów Kaggle, nauczysz się, jak analizować konkretny problem. Przećwiczysz eksploracyjną analizę danych i opracujesz właściwe lokalne strategie walidacji. Dowiesz się też, czym jest wyciek danych.

Zrozum problem

Zdefiniuj metrykę konkursową

Wstępna eksploracja danych

Statystyki EDA

Wykresy EDA I

Wykresy EDA II

Lokalna walidacja

Kroswalidacja k-krotna

Stratyfikowany K-fold

Zastosowanie walidacji

Time K-fold

Łączna ocena walidacji

Zagłęb się w konkurs

Zapoznasz się z różnymi rodzajami cech. Będziesz modyfikować istniejące cechy i tworzyć nowe. Nauczysz się też, jak właściwie postępować z brakującymi danymi.

Inżynieria cech

Cechy arytmetyczne

Cechy daty

Cechy kategoryczne

Kodowanie etykietami

Kodowanie One-Hot

Kodowanie docelowe

Średnie kodowanie celu

Walidacja krzyżowa k-fold

Poza klasyfikacją binarną

Brakujące dane

Znajdowanie brakujących danych

Uzupełnianie brakujących danych

Czas połączyć wszystko w całość i zbudować modele! W ostatnim rozdziale stworzysz model bazowy, dostroisz hiperparametry i poprawisz wyniki dzięki metodom ensemble. Na koniec poznasz przydatne wskazówki i triki, które pomogą ci rywalizować skuteczniej.

Model bazowy

Replikacja wyniku walidacji

Model bazowy oparty na dacie

Punkt odniesienia oparty na gradientowym wzmacnianiu

Strojenie hiperparametrów

Przeszukiwanie siatki hiperparametrów

Przeszukiwanie siatki 2D

Ensembling modeli

Mieszanie modeli

Stacking modeli I

Składanie modeli II

Ostatnie wskazówki

Testowanie pomysłów z forum Kaggle

Wybierz ostateczne zgłoszenia

Podsumowanie

Modelowanie

Demand forecasting (train)

House prices (train)

House prices (test)

Demand forecasting (test)

Taxi rides (train)

Taxi rides (test)

Kaggle to najbardziej znana platforma konkursów z zakresu Data Science. Udział w takich konkursach pozwala pracować z rzeczywistymi zbiorami danych, zgłębiać różnorodne problemy uczenia maszynowego, rywalizować z innymi uczestnikami i zdobywać bezcenne doświadczenie praktyczne. W tym kursie nauczysz się, jak podejść do konkursu Data Science i jak go odpowiednio zorganizować. Dowiesz się, jak wybrać właściwy lokalny schemat walidacji i jak unikać przeuczenia. Opanujesz też zaawansowane techniki inżynierii cech oraz metody łączenia modeli. Wszystkie te techniki przećwiczysz na zbiorach danych z konkursów Kaggle.

Extreme Gradient Boosting with XGBoost

Dowiedz się, jak wygrywać konkursy Kaggle: odpowiednie podejście i wybór schematu walidacji.

Zwycięstwo w konkursie Kaggle w Pythonie

Naucz się, jak podejść do konkursów na Kaggle i je wygrywać.

Naukowiec ds. uczenia maszynowego w Pythonie

Model	Train MSE	Validation MSE
Model 1	2.35	2.46
Model 2	2.20	2.15
Model 3	2.10	2.14
Model 4	1.90	2.35

Który model jest przeuczony?

Zwycięstwo w konkursie Kaggle w Pythonie

Interaktywne ćwiczenie praktyczne