Мы разберем фундаментальные и прикладные подходы к классификации данных с помощью машинного обучения для страхового скоринга Prudential в соревновании на Kaggle вплоть до формирования конечного результата с помощью ансамбля стекинга.

Курс разбит на 2 части. Впервой части мы последовательно пройдем все этапы работы с данными:от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки. Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения,базовые метрики и наиболее простые модели - линейную и логистическую регрессии. Атакже метрики, модели и ансамбли классификации.

Во второй части на практике разберем:

• Проведение исследовательского анализа данных для поиска зависимостей:EDA.

• Метрики классификации:точность,полнота,F1,квадратичная каппа и матрица неточностей.

• Очистка данных и оптимизация потребления памяти.

• Кластеризация данных и метод ближайших соседей.

• Простая и иерархическая логистическая регрессия.

• Метод ближайших соседей и поиск оптимальной модели.

• Метод опорных векторов: SVM.

• Дерево принятия решения и случайный лес (бэггинг).

• XGBosot и градиентный бустинг.

• LightGBMи CatBoost

• Ансамбль стекинга для голосования и выбора лучшего результата.

• Выгрузка результата для соревнования на Kaggle.